必看 | 卷积神经网络的一般框架

在这一节中我们将具体介绍一个卷积神经网络的基本框架，这个框架能更有效地帮助我们理解卷积神经网络的组成。

从图中我们可以看到，主要包含着输入层、卷积层、池化层、全连接层、激励层( 一般用softmax函数，它将多个神经元的输出，映射到（0,1）区间内，可以看成概率来理解，从而来进行多分类)这5个结构，下面我们分别对其进行解析。

输入层

输入层是整个神经网络的一个输入，在处理图像分类问题时，一般输入的都是一张图片的像素矩阵，一般黑白图片就只有一个通道，所以深度就是1；彩色图片的一般都有3个通道，（RGB，red+green+blue），所以深度就是3。

有3种常见的图像数据处理方式：

1. 去均值：把输入数据各个维度都中心化到0。

2. 归一化：幅度归一化到同样的范围。

3. PCA/白化：用PCA降维，白化是对数据每个特征轴上的幅度归一化。

CNN里一般只做去训练集的均值。

卷积层—CONV layer

卷积计算层是卷积神经网络的核心，这个操作在物理上是可解释的。我们知道神经网络是全连接的，卷积网络不是，是局部关联的。过程是：每个神经元看做一个滤波器filter，filter对局部数据计算。取一个数据窗口，这个数据窗口不断地滑动，直到覆盖所有样本。上图所示中一共有2个卷积层，