深度学习 CNN模型中，卷积神经网络中常用名称的解释。_batch norm层的中文名

paddlepaddle深度学习框架的一般步骤

CNN模型中，卷积神经网络中常用名称的解释。

网络搭建

在CNN模型中，卷积神经网络能够更好的利用图像的结构信息。下面定义了一个较简单的卷积神经网络。显示了其结构：输入的二维图像，先经过三次卷积层、池化层和Batchnorm，再经过全连接层，最后使用softmax分类作为输出层。

池化是非线性下采样的一种形式，主要作用是通过减少网络的参数来减小计算量，并且能够在一定程度上控制过拟合。通常在卷积层的后面会加上一个池化层。paddlepaddle池化默认为最大池化。是用不重叠的矩形框将输入层分成不同的区域，对于每个矩形框的数取最大值作为输出。

Batchnorm顾名思义是对每batch个数据同时做一个norm。作用就是在深度神经网络训练过程中使得每一层神经网络的输入保持相同分布的。

正则化的概念及原因

简单来说，正则化是一种为了减小测试误差的行为(有时候会增加训练误差)。我们在构造机器学习模型时，最终目的是让模型在面对新数据的时候，可以有很好的表现。当你用比较复杂的模型比如神经网络，去拟合数据时，很容易出现过拟合现象(训练集表现很好，测试集表现较差)，这会导致模型的泛化能力下降，这时候，我们就需要使用正则化，降低模型的复杂度。

卷积层：利用卷积核或滤波器（filter）对输入数据进行特征提取，filter（滤波器）可以看作是一个指定窗口大小的扫描器。
全连接层：主要是将输入图像在经过卷积和池化操作后提取的特征进行压缩，并完成模型的分类功能，这其实就是NN的最初构造。
转至：https://blog.csdn.net/qq_40330604/article/details/100803773