卷积神经网络包括输入层、卷积层、激励层、池化层、全连接层、输出层。
1）输入层：图像数据→矩阵数据
输入层
2）卷积层：使用卷积核进行特征提取和特征映射；
卷积核：具有目标特征的特征块，一般3x3或5x5
卷积核1
卷积核2
卷积核3
卷积计算：使用一个卷积核，在每层像素矩阵上扫描，扫到的数值和卷积核中对应位置的数进行相乘然后相加求和，生成一个新的矩阵。超出部分补0.
f2bc1111f51b4678ab4fa13ff3e087f5.gif
3）激励层：由于卷积也是一种线性运算，因此需要增加非线性映射，通常为 ReLU layer，将输入负值变为0，输出保持原样。
4）池化层：有最大池化和平均池化，其中最大池化(max pooling)最为常用；
池化层
卷积→激励→池化的过程进行多次就构成了神经网络
image.png
5）全连接层：将输入的矩阵展开连接，按每个单元的权重，计算出最终预期值；通过调整神经网络参数，可以将误差降到最小，即训练过程。
全连接层
6）输出层：用于输出结果；
输出层
优点：对高维数据处理无压力；无需手动选取特征，训练好权重，即得特征分类效果好；
缺点：需要调参，需要大样本量，训练最好要GPU
