資料輸入層主要是對原始資料進行初步處理，使卷積神經網路能有更好的效果。處理方法有：
卷積層是卷積神經網路的核心，理解了卷積層也就理解了卷積神經網路。卷積是數學上的一種計算，而在神經網路中可以理解為一種可以提取影象特徵的運算。在卷積層中有一些概念我們需要知道。 圖1
**網路[4]
改濾波器將服飾的顏色等細節特徵過濾掉，只保留了外形等有用特徵。如果是找出顏色相同的服飾的話，那麼就要使用另乙個過濾器將外形等不重要的特徵過濾掉，只保留顏色特徵。圖2
輸出矩陣（黃色矩陣）中第乙個元素就是紅色矩陣與藍色矩陣對應位置相乘並求和，即0 * 1 + 1 * 0 + 1 * -1 + 1 * 1 + 1 * 0 + 1 * -1 + 0 * 1 + 0 * 0 + 1 * -1 = -2 。下面的**可以很好的幫助我們理解卷積運算的過程。
該圖來自網路（[5]）。 圖5
上面所述的運算其實是一種線性的運算，而自然中很多的關係都是非線性的，因此，需要給上面的計算結果通過乙個啟用函式加乙個非線性的關係。啟用函式是參考了生物上神經元的機制，在生物意義上的神經元中，只有前面的樹突傳遞的訊號大於神經元的閾值時，下乙個神經元才會被啟用。與之類似，啟用函式relu當輸入小於0時，輸出為零，即失效；大於零輸出則為本身。下面列出以下常見的啟用函式：
池化層是對輸入的資料進行壓縮，提取主要特徵的過程。一般池化分為最大池化和一般池化。以最大池化為例，池化的運算跟卷積有些相似，一般以乙個2 * 2的矩陣對輸入的資料進行掃瞄，取2 * 2區域的最大值。平均池化與最大池化類似，即2 * 2區域的取平均值。值得注意的是，池化層的輸入資料一般是卷積層的輸出（經過啟用函式後）。
全連線層實際上就是傳統的神經網路（dnn），每一神經元與輸出層的神經元通過權值相連，啟用函式一般為softmax函式。當全連線層輸入的資料是二維或三維矩陣矩陣時，應該拉伸成一維的列表運算。
參考：
[1]影象灰度化的常用三種方式及其實現
[2]影象歸一化
[3]資料歸一化和兩種常用的歸一化方法
[4]卷積神經網路（cnn）中的卷積核 概念 原理
[5]深度學習基礎概念筆記 (3)
[6]卷積神經網路（一）：常見的啟用函式以及其意義
卷積神經網路 有趣的卷積神經網路
一 前言 最近一直在研究深度學習，聯想起之前所學，感嘆數學是一門樸素而神奇的科學。f g m1 m2 r 萬有引力描述了宇宙星河運轉的規律，e mc 描述了恆星發光的奧秘，v h d哈勃定律描述了宇宙膨脹的奧秘，自然界的大部分現象和規律都可以用數學函式來描述，也就是可以求得乙個函式。神經網路 簡單又...
神經網路 卷積神經網路
這篇卷積神經網路是前面介紹的多層神經網路的進一步深入，它將深度學習的思想引入到了神經網路當中，通過卷積運算來由淺入深的提取影象的不同層次的特徵，而利用神經網路的訓練過程讓整個網路自動調節卷積核的引數，從而無監督的產生了最適合的分類特徵。這個概括可能有點抽象，我盡量在下面描述細緻一些，但如果要更深入了...
神經網路 卷積神經網路
1.卷積神經網路概覽 來自吳恩達課上一張，通過對應位置相乘求和，我們從左邊矩陣得到了右邊矩陣，邊緣是白色寬條，當畫素大一些時候，邊緣就會變細。觀察卷積核，左邊一列權重高，右邊一列權重低。輸入，左邊的部分明亮，右邊的部分灰暗。這個學到的邊緣是權重大的寬條 都是30 表示是由亮向暗過渡，下面這個圖左邊暗...