深度学习笔记---简单卷积神经网络的整体结构

# 1.从普通神经网络到CNN

# 基于全连接层（Affine层）的5层神经网络结构图的例子

# 基于CNN的5层神经网络结构图的例子

从上图可见，CNN（卷积神经网络）中的计算层新增了卷积层（Convolution）和池化层（Pooling）。前3个隐藏层将Affine-ReLU结构替换成了Conv-ReLU-(Pooling)结构，最后一个隐藏层依然是Affine-ReLU结构，输出层也依然是Affine-Softmax结构。

# 2.从全连接层（Affine）到卷积层（Convolution）

# 全连接层

之前实现的神经网络，使用的都是全连接层（也就是求加权和的Affine层）。

因为在全连接层中相邻层的神经元全部连接在一起，所以要求一个数据每一个单元统一格式（即要求一个数据要以一维形式输入最开始的Affine层）

但是当输入数据为图像时，需将三维数据拉平为一维数据，这样会忽略图像形状中包含的重要空间信息。这也就是全连接层的弊端。

# 卷积层

卷积层可以保持输入数据的形状不变。

当输入数据为图像时，卷积层会接收三维形式的数据，进行相应运算后会将数据以三维形式输出至下一层。

因此，运用卷积神经网络，对于图像的识别精度会更高。

 

# 本博客参考了《深度学习入门——基于Python的理论与实现》（斋藤康毅著，陆宇杰译），特在此声明。