2019/12/22
《No.21: p168-p172》《增强型分析-AI驱动的数据分析、业务决策与案例实践》读书笔记
第6章 深入探讨CNN

6.1.4 CNN的结构
  CNN常用的场景: 给定一组矩阵数据(如图片)，最终产出其属于每种类型的概率。CNN过程中包括许多层次，包括输入层、卷积层、池化层、全连接层、损失层等。
  1.输入层: 就是给定数据
  2.卷积层: 将图片的特征提取出来。CNN的卷积内核不是使用者事先决定的，而是通过反向传播的方式在训练阶段确定的。
  3. Activation layer : 强化卷积过程中的有用特征。
  4.池化层(Pooling layer): 在给定数据范围内，将最大值或平均值作为代表该范围内数据的值，然后将其他值舍弃。这样可以保留显著特征，并且大幅减少后续每一层的计算数据。
  5.全连接层: 全连接层的输入层就是前面个层的最后一层输出。
  6.损失层: 构建一个函数能够将全连接层的预测与实际值之间的误差最小化。一般会使用softmax算法来输出不同类别的概率数值。
  7.TensorFlow及Keras等开源工具可支持快速构建模型。