池化（pooling）舍弃（dropout）& 卷积神经网络

1.池化

池化的作用就是减少特征数量（降维）。最大值池化可提取图片纹理，均值池化可保留背景特征。

池化层可以非常有效地缩小矩阵的尺寸，从而减少最后全连接层中的参数。使用池化层既可以加快计算速度也有防止过拟合问题的作用

 

 

2.舍弃（dropout）

在神经网络的训练过程中， 将一部分神经元按照一定概率从神经网络中暂时舍弃，使用时被舍弃的神经元恢复链接 

 在 Tensorflow 框架下，利用 tf.keras.layers.Dropout 函数构建 Dropout 层，参数为舍弃的概率（大于 0 小于 1）。

 3.卷积神经网络

借助卷积核对输入特征进行特征提取，再把提取到的特征送入全连接网络进行识别预测