版权声明：引用请注明出处 https://blog.csdn.net/weixin_39875161/article/details/87859169
全连接层FC，全连接NN
全连接 ：每个神经元与前后相邻层的每一个神经元都有连接关系，输入是特征，输出为预测的结果。
参数个数： SUM（前层 × 后层 + 后层）
待优化的参数过多， 容易导致模型过拟合。 为避免这种现象， 实际应用中一般不会将原始图片直接喂入全连接网络
卷积Convolutional
卷积，是提取特征的过程，也可以说成是压缩数据。有三个参数，卷积核/卷积层中神经元感知域大小kernel，滑动步长strip，填充方法padding:same/valid。
输出尺寸：( 输入数据体尺寸-卷积核+2*零填充的数量)/步长+1
例： 输入是 7×7，滤波器是 3×3，步长为 1，填充为 0，那么就能得到一个 5×5的输出。如果输入量是 32x32x3，核是 5x5x3，不用全零填充，输出是（32-5+1）/1=28。如果要让输出量保持在 32x32x3， 可以对该层加一个大小为 2 的零填充。 可以根据需求计算出需要填充几层零。 32=（32-5+2P） /1 +1， 计算出 P=2， 即需填充 2，如下图。
池化层POOL
池化层分为最大池和平均池化，进一步压缩数据，操作同卷积