CNN原理+超参数优化

原理

参考：https://www.cnblogs.com/charlotte77/p/7759802.html

卷积层：

作用：特征提取，减小参数

池化层：

作用：将卷积层提取的特征中最能反映该特征的特征值取出来

Flattern layer和全连接层：

作用：前者将前面得到的feature_map这种矩阵拍平，拍平后作为输入输入到全连接层，全连接层输出后使用softmax得到多分类的概率

下面的机器之心的回答讲解的更细致准确：

参考：https://www.zhihu.com/question/52668301

1、cnn的结构为：input——conv——relu——conv——relu——pool——relu——conv——relu——pool——fully connected

而在卷积层中用来提取特征的矩阵叫卷积核（也叫过滤器）

在cnn中离输入层越近的卷积层（筛选出来的特征值）对应的特征越低级，越远越高级。例如筛选的特征从左到右依次为曲线特征，圆形特征。

在全连接层，当使用softmax激活函数时，全连接层的输出是一个n维向量，n是多分类问题的类别数量

模型的训练是通过一个名为反向传播的训练过程来调整过滤器值（或权重）（这里参照西瓜书反向传播部分），cnn也有其他模型训练时用到的损失函数、评价指标，求解参数（过滤器值或权重）时也用的是梯度下降法。

全连接层的解释：

画图解释：https://zhuanlan.zhihu.com/p/23178423

全连接层中的“卷积”操作：https