第3.1章卷积神经网络(CNN)——Conv、Pool、FC、Activation Function、BN各个层的作用及原理

第3.1章卷积神经网络CNN-不同层的作用

一、Convolution(CONV)
二、Pooling(POOL)
三、Fully Connected(FC)
四、Activation Function
五、Batch Normalization(BN)

【详见】卷积网络中三种类型的层

一、Convolution(CONV)

作用： 通过卷积层中卷积核运算，提取卷积核希望提取的特征。

二、Pooling(POOL)

作用： Andrew Ng 对池化层的作用是这样解释的：“ConvNets often also use pooling layers to reduce the size of the representation, to speed the computation, as well as make some of the features that detects a bit more robust”。即减小图像大小、加速计算、使其检测出的特征更加健壮。

三、Fully Connected(FC)

作用： 分类

四、Activation Function

【详见】第1.2章神经网络中隐藏层、偏置单元、激活函数的作用（使用激活函数的原因）
作用： 为了得到更复杂的函数关系

五、Batch Normalization(BN)

【摘自】深度学习中 Batch Normalization为什么效果好？—— 答主：言有三
【摘自】帮助理解：参数优化方法

1）BN背景：

在深度学习中，因为网络的层数非常多，如果数据分布在某一层开始有明显的偏移，随着网络的加深这一问题会加剧（这在BN的文章中被称之为internal covariate shift)，进而导致模型优化的难度增加，甚至不能优化。所以，归一化就是要减缓这个问题。（防止“梯度弥散”）
随机梯度下降法（SGD）对于训练深度网络简单高效，但是需要人为选择参数，使用BN之后，可以不需要那么刻意的慢慢调整参数。

2）BN的本质原理： 在网络的每一层输入的时候，插入了一个归一化层，也就是先做一个归一化处理（归一化至：均值0、方差为1），然后再进入网络的下一层。

如果是仅仅使用归一化公式，对网络某一层A的输出数据做归一化，然后送入网络下一层B，这样是会影响到本层网络A所学习到的特征的。

比如网络中间某一层学习到特征数据本身就分布在S型激活函数的两侧，强制把它归一化处理后，相当于这一层网络所学习到的特征分布被搞坏了，这可怎么办？

于是文献使出了一招惊天地泣鬼神的招式：变换重构，引入了可学习参数γ、β，这就是算法关键之处。

3）BN作用： 通常BN网络层用在卷积层后，用于重新调整数据分布，解决传播过程中的梯度问题。

4）BN带来的好处：

减轻了对参数初始化的依赖，这是利于调参的朋友们的。
训练更快，可以使用更高的学习率。
一定程度上增加了泛化能力，dropout等技术可以去掉。