卷积神经网络基本组成结构

组成结构

CNN 主要由四种结构组成，分别是：

• pooling
• dropouts
• batch normalization
• data augmentation

Pooling

Pooling 中文名叫池化，是通过计算一定区域内的平均值或最大值，带代表这一区域，分别叫做平均池化和最大池化。

Pooling 会使信息丢失，但是减少了噪声的影响，同时也减少了图像尺寸，进而减少了计算量。

Pooling 就像人类的视觉会受一定区域内的显著物体的影响，而忽略非显著物体。

Dropouts

容易过拟合是深度学习一个缺点。为了防止过拟合，在训练阶段随机把一些参数值设置为 0。这样，一些会使模型过拟合的参数就得不到训练，从而防止过拟合。

Batch Normalization（批量标准化）

CNN 往往有很深的层数，而层数越深，越容易出现梯度消失。这是因为随着网络的传播，数据的分布产生了变化，所以利用 Batch Normalization 让数据的分布保持均值为 0，方差为 1 的正太分布。

一般放在 relu 之前，可以提高准确性，加快训练速度。

Data Augmentation（数据增强）

就是把训练数据通过扭曲，旋转，变形等增多训练数据，让模型更好工作。

还可以把图像的像素值标准化。