官方文档:https://keras.io/layers/convolutional/#zeropadding2d
https://blog.keras.io/building-powerful-image-classification-models-using-very-little-data.html VGG16架构
https://www.cnblogs.com/ymjyqsx/p/9451739.html
【搬运】conv卷积层:
1.相当于一个特征提取器(特征增强,消除噪声)
2.提供了位置信息
3.减少了参数个数
https://blog.csdn.net/m0_37622530/article/details/82230368
https://www.cnblogs.com/ymjyqsx/p/9451739.html
【搬运】pooling池化层:
1.提取特征(减少之前的特征维数) 2.减少训练参数
3.进而防止过拟合(泛化能力加强)。 激活函数:增加网络的非线性表达能力。
1 过滤越来越多的卷积层,提取越来越高级的特征
2 Max pooling和Global Average Pooling用来只保留这些特征中最强的,保证特征的位置与旋转不变性,减少模型参数数量,减少过拟合问题
————————————————————————————
https://blog.csdn.net/qq_39521554/article/details/81385159
【半搬运】对全连接层(fully connected layer)的通俗理解:
全连接层(fully connected layers,FC)(通过矩阵向量乘积)在整个卷积神经网络中起到“分类器”的作用。如果说卷积层、池化层和激活函数层等操作是将原始数据映射到隐层特征空间的话,全连接层则对前面的特征(通过“全局平均值global average pooling”的方法减少全连接的参数)做加权和,将学到的“分布式特征表示”(高度提纯的特征)映射到样本标记空间。
https://blog.csdn.net/wangyuxi__/article/details/82714647
全连接层:连接所有的特征,将输出值送给分类器(如softmax分类器&#