Jetson Nano系列教程9：TensorFlow入门介绍 总结篇

图2 (图片来源于网络/侵删)

池化层是CNN中一个隐藏层，池化层的作用是缩减模型的大小，提高计算速度，同时减小噪声提高所提取特征的稳健性。池化理解为抽象化特征，提取特征，还有补偿卷积过程中消失的特征信息作用。池化有最大池化和平均池化。直观理解看下图3。图3为最大池化，将卷积后的图像进行缩小，提取或抽象化特征，没有足够的证据证明这种直观解释的正确性，而最大池化被使用的主要原因是它在很多实验中的效果都很好。一次卷积运算难以提取出全局的特征，因此需要在一层卷积基础上继续做卷积计算，提取脸上鼻子、嘴等特征信息，这就是多层卷积。通过卷积池化这样构建网络，每层输出会相应减少权重偏置的参数，简化训练难度，有些CNN模型并没池化层也能对图像分类有很好的效果，所以池化层(Pool)是可选项。

图3 (图片来源于网络/侵删)

下图4进行CNN图片分类任务中，CONV表示进行卷积，RELU表示卷积层的激活函数，POOL表示池化层，FC(Fully Connect)表示全连接层用于将识别到特征进行分类后输出，CNN网络是在隐藏层进行合理堆叠卷积池化层(不断提取特征)、全连接层进行分类实现图像识别的。

图4(图片来源于网络/侵删)

CNN更多内容请点击相关链接：吴恩达《深度学习》系列课程笔记

②、循环卷积网络(RNN，Recurrent Neural Network)，RNN主要是对有序列模型进行处理，如输入法输入关联词时，能预测后续输出，此前较热门应用有使用RNN写实时新闻稿，写论文等，其中可让程序猿高效办公的Deep TabNine插件自动预测代码输出更是让RNN大放异彩。

RNN更多内容请点击相关链接：吴恩达《深度学习》系列课程笔记