CNN中各个层的作用

卷积层：
      卷积层通过局部连接和权值共享的方法，模拟具有局部感受野的简单细胞，提取一些初级视觉特征的过程。局部连接指卷积层上的每一个神经元与前一层特征图中固定区域的神经元建立连接；权值共享指同一特征图中的神经元用一组相同的连接强度与前一层局部连接，可以减少网络训练参数，上述一组相同的连接强度即为一个特征提取器，在运算的过程中变现为一个卷积核，卷积核数值先随机初始化，最后由网络训练确定。

池化层：
      池化层模拟复杂细胞是将初级的视觉特征筛选并结合成更高级、抽象的视觉特征的过程，在网络中通过采样实现，经过池化层的采样后，输出特征图的数量不变，但是特征图的尺寸会变小，有减小计算复杂度、抵抗微小位移变化的作用。
      对输入的特征图进行压缩，一方面使特征图变小，简化网络计算复杂度；一方面进行特征压缩，提取主要特征，

激活函数：
      是用来加入非线性因素的，因为线性模型的表达能力不够。

全连接层（fully connected layers，FC）
      在整个卷积神经网络中起到“分类器”的作用。全连接层则起到将学到的“分布式特征表示”映射到样本标记空间的作用。增强网络的非线性能力，同时限制网络规模的大小