深入理解CNN卷積神經網絡各層的意義

卷積神經網絡的一般架構 Convolution–卷積層 Pooling–池化層 Fully connected–全連接層 池化層 【作用】：縮減模型的大小，提高計算速度，同時提高所提取特徵的魯棒性（可以理解爲抗干擾性能） 【分類】： Max Pooling：最大池化 Average Pooling：平均池化 最大池化（效率高） 【處理】：以上圖爲例，將輸入分爲四個區域，取出每個區域的最大值，組成新

>>阅读原文<<