ubuntu之路——day17.3 简单的CNN和CNN的经常使用结构池化层

来看上图的简单CNN：

从39x39x3的原始图像 不填充且步长为1的状况下通过3x3的10个filter卷积后 获得了

  37x37x10的数据 不填充且步长为2的状况下通过5x5的20个filter卷积后 获得了

  17x17x20的数据 不填充且步长为2的状况下通过5x5的40个filter卷积后 获得了

  7x7x40的最终结果

将7x7x40的卷积层所有展开做为输入特征，创建一个输入层单元数为1960的神经网络便可

卷积神经网络常见的结构：

1.Conv卷积层如上图所见

2.Pool池化层

3.FullyConnected全链接层

Pooling layer 池化层：

池化层的做用：缩减模型大小，提升计算速度，加强提取特征的鲁棒性

最大池化层，顾名思义，就是把每次filter的卷积过程换为对区域内的全部数字求最大值的过程，如上图所示，在指定filter大小和步长s后能够获得最终的结果为2x2，而后每次求不一样区域内的最大值便可。

平均池化层，这种池化层的应用要比最大池化层少。通常应用于很深的网络中，好比上浅层的信道层的网络等，原理与最大池化层相同，只是每次对filter的区域求平均值。

注意：

通常而言，池化层的超参数只有filter的大小f和步长s，在池化层中通常不用填充padding，所以p通常为0。

堆叠的池化层操做与卷积操做相同，对每一个信道单独求max/average而后堆叠便可。