多个模块

卷积层：使用卷积核提取图像特征，保留空间关系

激活函数：卷积层的特征需要激活函数激活带来非线性

池化层：一个或者多个卷积后会使用它提取最大特征，缩小尺寸（下采样）

Flatten: 把多维特征图展平为一维向量，连接全连接层

全连接层：进行最终的分类或回归任务

Dropout: 防止过拟合，随机丢弃部分神经元连接，一般应用在全连接层前面

例子

解读：

• 输入：(28,28,1)
• C1:卷积层: (28,28,8) 8个3*3卷积核，步长1，padding1 提取8个特征图
• P2:池化层：(14,14,8) 2*2池化，步长2，尺寸减半
• C3:卷积层：(14,14,16) 16个3*3卷积核，步长1，padding1 提取16个特征图
• P4:池化层：(7,7,16) 2*2池化，步长2，尺寸减半
• C5:卷积层：(5,5,32) 32个3*3卷积核，步长1，padding0 提取32个特征图
• Flatten:展平：(800,) 5532=800
• FC6:全连接层：(128,) 128个神经元
• FC7:全连接层：(10,) 10个神经元，对应10

我们发现：低级特征对每个特征感受野小，对位置敏感，需要更大的特征图确定位置，但是通道数少。

高级特征对每个特征感受野大，对位置不敏感，可以用更小的特征图，所以通道数多