卷積神經網絡大總結（個人了解）
神經網絡
1、概念：從功能他們模仿真實資料
2、結構：輸入層、隐藏層、輸出層。其中隐藏層要有的參數：權重、偏置、激勵函數、過拟合
3、功能：能通過模仿，進而學到事件
其中過拟合：電腦太過于自信，想把所有的資料都模拟下來。但是這并不符合我們的實際的需求
激勵函數：激活某一些參數
卷積神經網絡：
1、一般的結構：輸入資料、卷積層、池化層、卷積層、池化層、全連接配接層、全連接配接層、誤差分析、參數優化、顯示精确度
2、每一個層的要求：
輸入資料：類型：[-1(表示能接受任意張圖檔)，圖檔的長度，圖檔的寬度、圖檔的灰階級]
卷積層 ：fittler濾波器：意義：掃描圖檔，得到一個數值。類型：[卷積核的長度，卷積核的寬度，圖檔的灰階值，特征映射值（厚度）]其中的1，1是給定。卷積函數：輸入資料、濾波器、步長（類型[1，圖檔左右移動的步數，圖檔上下移動的步數，1]，padding=”掃描的方式”
卷積得到的資料，可以用tf.nn.Rule的激勵函數激勵
池化層：池化函數的參數：卷積層1激勵後的資料，池化視窗的大小（shape[1,長，寬，1],步長(shape[1,向左右移動的步數，上下移動的步數，1],padding=“掃描的方式”
卷積層2：參數個數一樣，但是輸入的資料是池化1輸出的資料，卷積核我們也可以定義，其他的都一樣
池化層：變化最大的是輸入的資料數卷積層2輸出的資料
全連接配接神經元：輸入的資料是池化2輸出的資料，要記得重新設定類型。隐藏層：權重，偏置。。。隐藏層輸出的資料可以過拟合和tf.nn.relu激勵函數
全連接配接神經元2：類似全連接配接神經元。但是這一層的輸出資料要用到tf.nn.softmax激勵函數
誤差分析、優化：cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_data * tf.log(prediction),
reduction_indices=[1]))
train_step = tf.train.AdamOptimizer(1e-4).minimize(cross_entropy)交叉商
計算精确值函數
其他：
1、其中每一層的卷積層和池化層都是講特征映射的更加詳細，具體有用
2、池化層在實際應用中用來抵抗輸入的輕微形變或者位移
3、全連通層的工作原理是根據之前其它層的輸出，檢測哪些特征與特定的 類别相匹