详细通俗易懂理解卷积神经网络CNN（下）

二、卷积神经网络

2.1 卷积神经网络的基本结构

所谓卷积神经网络，其基本网络结构包括：卷积层 ，Pooling层，全连接层。输入数据经过卷积后，得到特征map,特征map很大，直接进行全连接，消耗很大，经过pooling层后，起到特征选择的作用，降低维度，再进行全连接，最后经过非线性化（激励函数）和softmax得到输出。

下面这张图清晰地展示了整个卷积神经网络的基本结构：卷积+Pooling+全连接，更复杂的模型只需在其中添加卷积层等神经网络层。

上述描述可以说是前向传播，那么如何反向传播呢，利用损失函数，从神经网络的输出端至输入端，计算每层的损失函数，利用梯度下降等优化算法进行优化。详细的前向传播和后向传播算法后续更新。

2.2 经典卷积神经网络

2.2.1 LeNet - 5

直接上模型结构，如下图所示：

网络结构
卷积层，6个551卷积核 ，s = 1
平均池化层，22核，s = 2，长宽减半，不改变特征map的数量
卷积层，16个556卷积核，s = 1
平均池化层，22核，s = 2
两个全连接层，输入5516个节点，输出120；输入120，输出84
softmax层，输出y
注意：经典Le