Convolutional Neural Network 卷積神經網絡
一種深度學習模型或類似於人工神經網絡的多層感知器，常用來分析視覺圖像。
Input layer 輸入層
Convolutional layer 卷積層
卷積層輸出的尺寸：
輸出寬度：(W-Fw+2P)/S + 1
輸出高度：(H-Fw+2P)/S + 1
其中，W ：輸入圖像的寬度
H ：輸入圖像的高度
Fw ：濾波器或內核的寬度
Fh ：濾波器的高度
P ：填充
S ：步長
卷積層輸出的通道數等於卷積操作期間使用的濾波器的個數
polling layer 池化層
池化層用於在卷積神經網絡上減小特徵空間維度，但不會減小深度。
平均池化（average pooling）
最大池化（max pooling）
Non-linearity Layer 非線性層
在非線性層中，一般使用ReLU激活函數，而不是使用傳統的Sigmoid或Tan-H激活函數。
對於輸入圖像中的每個負值，ReLU激活函數都返回0值，而對於輸入圖像中的每個正值，它返回相同的值
Fully Connected Layer 全連接層
在全連接層中，將最後一個卷積層的輸出展平，並將當前層的每個節點與下一層的另一個節點連接起來。
感受野
爲什麼選擇卷積？
卷積神經網絡具有的參數會更少，因此就可以避免出現過擬合現象。
參考：
https://blog.csdn.net/qq_41727666/article/details/84622965