卷积神经网络算法三大类

卷积神经网络（CNN）算法主要分为以下三大类：
1. 卷积层（Convolutional Layers）
基本卷积层：这是CNN的核心，用于提取输入数据中的部特征。 卷积层通过卷积核（也称为滤波器或特征图）在输入数据上滑动，并计算部区域的加权线性组合。 这种作可以捕捉到图像中的边缘、角点、纹理等基本特征。
深度可分离卷积：为了减少计算量和参数数量，深度可分离卷积将标准的卷积作分解为两个独立的步骤：深度卷积（逐通道卷积）和逐点卷积（逐元素卷积）。 这种结构可以在保性能的同时显著减少参数和计算量。
2. 池化层（Pooling Layers）
最大池化：通过取输入数据窗口中的最大值来降低数据的空间维度，减少计算量和参数数量，同时保特征的重要性。 最大池化常用于降低特征的空间分辨率。
平均池化：类似于最大池化，但它是通过取输入数据窗口中的平均值来降低数据的空间维度。
3. 全连接层（Fully Connected Layers）
全连接层：在CNN的末端，通常会有全连接层，它们将卷积层和池化层提取的特征映射到输出类别。 在全连接层中，每个输入元素都与每个输出元素相连接，因此得名。
输出层：全连接层的一个特例是输出层，它将特征映射到具体的类别标签。 在分类任务中，输出层通常是一个softmax层，用于输出每个类别的概率分布。
这三类层共同构成了卷积神经网络的基本结构，使得CNN能够高效地处理和识别图像中的复杂模式。