CNN

在图像平整化完全破坏了它的序列，需要一种方式在没有平整haul的情况下把图片馈送给网络，并且还要保留空间排列特征。

• 卷积层：在这一层中，我们定义一个权值矩阵，用来从图像中提取一定的特征。
• 池化层：有时图像太大，我们需要减少训练参数的数量，池化的目的是减少图像的空间大小。池化在每一个纵深维度上独自完成，因此图像的纵深保持不变，常见形式是最大池化。
• 输出层：卷积和池化只会提取体征，并减少原始图像带来的参数。输出层具有类似分类交叉熵的损失函数，用于计算预测误差。一旦前向传播完成，反向出阿伯就会开始更新权重和偏差以达到减少误差的目的。

下面是整个网络的样子

CNN 中的输出层是全连接层，其中来自其他层的输入在这里被平化和发送，以便将输出转换为网络所需的参数。随后输出层会产生输出，这些信息会互相比较排除错误。损失函数是全连接输出层计算的均方根损失。随后我们会计算梯度错误。错误会进行反向传播，以不断改进过滤器（权重）和偏差值。