從上篇博客中，我們可以瞭解搭建卷積神經網絡的基礎步驟
數據輸入層/ Input layer
• 卷積計算層/ CONV layer
• ReLU激勵層 / ReLU layer
• 池化層 / Pooling layer
• 全連接層 / FC layer
1.數據輸入層
該層要做的處理主要是對原始圖像數據進行預處理，其中包括：
• 去均值：把輸入數據各個維度都中心化爲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，即減少各維度數據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的數據都變爲0到1的範圍。
• PCA/白化：用PCA降維；白化是對數據各個特徵軸上的幅度歸一化
2.卷積計算層
這一層就是卷積神經網絡最重要的一個層次，也是“卷積神經網絡”的名字來源。
在這個卷積層，有兩個關鍵操作：
• 局部關聯。每個神經元看做一個濾波器(filter)
• 窗口(receptive field)滑動， filter對局部數據計算
先介紹卷積層遇到的幾個名詞：
• 深度/depth（解釋見下圖）
• 步長/stride （窗口一次滑動的長度）
• 填充值/zero-padding
有上篇視頻可以很好的瞭解什麼是窗口互動。我們有一個5x5的圖像，我們用一個3x3的卷積核：來對圖像進行卷積操作（可以理解爲有一個滑動窗口，把卷積核與對應的圖像像素做乘積然後求和），得到了3x3的卷積結果。因此步長就很好理解了，就是窗口一次滑動的長度。在全零填充中，5x5的圖像填充爲7x7的圖像，0就爲填充值/zero-padding
圖像深度是指存儲每個像素所用的位數，也用於度量圖像的色彩分辨率。RGB深度爲3
3.激勵層
把卷積層輸出結果做非線性映射。
4.池化層
池化層夾在連續的卷積層中間， 用於壓縮數據和參數的量，減小過擬合。
簡而言之，如果輸入是圖像的話，那麼池化層的最主要作用就是壓縮圖像。
池化層的具體作用。
1. 特徵不變性，也就是我們在圖像處理中經常提到的特徵的尺度不變性，池化操作就是圖像的resize，平時一張狗的圖像被縮小了一倍我們還能認出這是一張狗的照片，這說明這張圖像中仍保留着狗最重要的特徵，我們一看就能判斷圖像中畫的是一隻狗，圖像壓縮時去掉的信息只是一些無關緊要的信息，而留下的信息則是具有尺度不變性的特徵，是最能表達圖像的特徵。
2. 特徵降維，我們知道一幅圖像含有的信息是很大的，特徵也很多，但是有些信息對於我們做圖像任務時沒有太多用途或者有重複，我們可以把這類冗餘信息去除，把最重要的特徵抽取出來，這也是池化操作的一大作用。
3. 在一定程度上防止過擬合，更方便優化。
參考：https://blog.csdn.net/wuyujundy/article/details/78743459
轉載於:https://www.cnblogs.com/fcfc940503/p/11061215.html