总结
在CNN中,卷积层,激活层,池化层,全连接层这四层是最基础的,其他层次是可选的。当然你用CNN里面不写池化层也没事。
CNN中,卷积层主要目的是提取图像的局部高阶特征信息,其他不考虑。在激活层,由于卷积层提取的是线性的特征。所以需要做一个非线性的转换。如果不做转换的话,多层还是相当于一层,没有什么区别。池化层可以理解为对前面卷积层提取那么多的局部特征信息做一个压缩,压缩的过程中会把一些噪声特征信息,包括冗余特征信息给剔除掉。使模型相对稳定一些。迭代速度更快一些。也可以稍微缓解一些过拟合的问题。
前面提取的是初始的特征信息。后面提取的是高阶特征信息。到了全连接层,为什么做全连接,因为前面提取的是局部特征信息,不管怎么做都是局部特征。所以做一个全连接,相当于把所有的局部特征合并产生一个高阶特征,然后呢,高阶特征可以选择再继续合并,不做也行。产生一个全局高级特征,然后做分类。