對卷積神經網絡中卷積層、激活層、池化層、全連接層的理解

文章目錄 卷積神經網絡 輸入層 卷積層 激勵層 池化層 全連接層 卷積神經網絡 舉一個卷積神經網絡識別汽車的例子如下： 其中數據輸入的是一張圖片（輸入層），CONV表示卷積層，RELU表示激勵層，POOL表示池化層，Fc表示全連接層。 輸入層 在圖片輸入到神經網絡之前，一般在輸入層進行圖像處理，有以下三種常見的圖像處理的方式： 均值化：把輸入數據各個維度都中心化到0，所有樣本求和求平均，然後用所有

>>阅读原文<<