卷积神经网络 CNN 的结构一般包含这几个层： 输入层：用于数据的输入 卷积层：使用卷积核进行特征提取和特征映射 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 池化层：进行下采样，对特征图稀疏处理，减少数据运算量。 全连接层：通常在 CNN 的尾部进行重新拟合，减少特征信息的损失 输出层：用于输出结果 当然中间还可以使用一些其他的功能层: 归一化层（Batch Normalization）：在 CNN 中对特征的归一化 切分层：对某些（图片）数据的进行分区域的单独学习 融合层：对独立进行特征学习的分支进行融合