【卷积神经网络】卷积层，池化层，全连接层的理解

CNN网络一共有5个层级结构：
参考：
https://www.cnblogs.com/wj-1314/p/9593364.html

输入层
卷积层
激活层
池化层
全连接FC层

1 输入层
与传统神经网络/机器学习一样，模型需要输入的进行预处理操作，常见的输入层中预处理方式有：

去均值
归一化
PCA/SVD降维等

2 卷积层
局部感知：人的大脑识别图片的过程中，并不是一下子整张图同时识别，而是对于图片中的每一个特征首先局部感知，然后更高层次对局部进行综合操作，从而得到全局信息。 （后面详解）
获取图片特征
3 激励层
　　所谓激励，实际上是对卷积层的输出结果做一次非线性映射。
　　如果不用激励函数（其实就相当于激励函数是f(x)=x），这种情况下，每一层的输出都是上一层输入的线性函数。容易得出，无论有多少神经网络层，输出都是输入的线性组合，与没有隐层的效果是一样的，这就是最原始的感知机了。
　　
　　 激励层建议：首先ReLU，因为迭代速度快，但是有可能效果不加。如果ReLU失效的情况下，考虑使用Leaky ReLU或者Maxout，此时一般情况都可以解决
　　
　　 4 池化层
　　池化（Pooling）：也称为欠采样或下采样。主要用于特征降维，压缩数据和参数的数量，减小过拟合，同时提高模型的容错性。主要有：
Max Pooling：最大池化
Average Pooling：平均池化