資料輸入層/ input layer
卷積計算層/ conv layer
relu激勵層 / relu layer
池化層 / pooling layer
全連線層 / fc layer
該層要做的處理主要是對原始影象資料進行預處理，其中包括：
去均值：把輸入資料各個維度都中心化為0，如下圖所示，其目的就是把樣本的中心拉回到座標系原點上。
歸一化：幅度歸一化到同樣的範圍，如下所示，即減少各維度資料取值範圍的差異而帶來的干擾，比如，我們有兩個維度的特徵a和b，a範圍是0到10，而b範圍是0到10000，如果直接使用這兩個特徵是有問題的，好的做法就是歸一化，即a和b的資料都變為0到1的範圍
在這個卷積層，有兩個關鍵操作：
區域性關聯。每個神經元看做乙個濾波器(filter)
視窗(receptive field)滑動， filter對區域性資料計算
填充值/zero-padding
以下圖為例子，比如有這麼乙個5 * 5的（乙個格仔乙個畫素），我們滑動視窗取22，步長取2，那麼我們發現還剩下1個畫素沒法滑完，那怎麼辦呢？
多維卷積計算
池化層夾在連續的卷積層中間， 用於壓縮資料和引數的量，減小過擬合。
一張當去除無關特徵，只保留重要特徵時，我們仍能識別。有些資訊是可有可無的，池化層可以幫助我們去除冗餘資訊。
常用方法為max pooling
選出每個視窗的最大值
卷積神經網路基礎
卷積神經網路出現的意義 計算機視覺問題中，輸入的往往畫素都很高。例如，一張普通的畫素為1000 1000，那麼輸入x的維數就是1000 1000 3，w 1 就是乙個3,000,000列的矩陣。在神經網路中引數如此多的情況下，找到足夠多的資料來保證不發生overfitting是很難的。卷積神經網路就...
卷積神經網路 基礎
啟用函式 常用的啟用函式有sigmoid tanh relu等等，前兩者sigmoid tanh比較常見於全連線層，後者relu常見於卷積層。在卷積神經網路中，啟用函式一般用relu the rectified linear unit，修正線性單元 收斂快，求梯度簡單。計max 0,t 就是如果這個...
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...