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