对卷积神经网络中卷积层、激活层、池化层、全连接层的理解

文章目录 卷积神经网络 输入层 卷积层 激励层 池化层 全连接层 卷积神经网络 举一个卷积神经网络识别汽车的例子如下： 其中数据输入的是一张图片（输入层），CONV表示卷积层，RELU表示激励层，POOL表示池化层，Fc表示全连接层。 输入层 在图片输入到神经网络之前，一般在输入层进行图像处理，有以下三种常见的图像处理的方式： 均值化：把输入数据各个维度都中心化到0，所有样本求和求平均，然后用所有

>>阅读原文<<