CNN优点各层作用

CNN

卷积神经网络（CNN）由输入层、卷积层、激活函数、池化层、全连接层组成。
1.输入层
输入层可以处理多维数据；与其他神经网络相似，由于使用梯度下降学习，cnn的输入特征需要标准化处理。
2.卷积层
用它来进行特征提取。
3.激活层
加强神经网络的表达能力
4.池化层
对输入的特征进行压缩，提取主要特征
5.全连接层
连接所有的特征，将输出值送给分类器

CNN的作用

简单来说，CNN的目的是以一定的模型对事物进行特征提取，而后根据特征对该事物进行分类、识别、预测或决策等。

优点：

1、共享卷积核，对高维数据处理无压力

2、需手动选取特征，训练好权重，即得特征分类效果好

缺点：

1、需要调参，需要大样本量，训练最好要GPU

2、物理含义不明确