卷积神经网络的正确架构是什么？

Question

我已经看到了几种不同的卷积神经网络架构（CNN）。我很困惑哪一个是标准的，我该如何决定使用什么。我不会因为使用的图层数量或涉及的参数数量而感到困惑;我对网络的组件感到困惑。

让假设：

CL =卷积层SL =子采样层（池）CM =卷积地图NN =神经网络使用SoftMax = SOFTMAX分类器（类似于线性分类器）

1. 架构1 https://www.youtube.com/watch?v=n6hpQwq7Inw

   CL，SL，CL，SL，CM，使用SoftMax

2. 架构2（我们真的需要NN在最后一次？） http://ieeexplore.ieee.org/xpls/abs_all.jsp?arnumber=5605630&tag=1

   CL，SL，CL，SL，NN，SOFTMAX

3. 建筑3 我的想法

   CL，SL，CL， SL，Softmax

Answer 1

有没有一个单一的大小适合所有的CNN架构。 CNN通常旨在有效捕获输入数据的特征。假定这些功能是分层的，即高层功能是由低层功能组成的。 CNN只是一种奇特的特征提取算法，你可以在其上放置任何分类器（NN，Softmax等等）。

因此，卷积层用于从输入中提取特征。然后，子采样层会缩小图像以减少计算复杂度并使其不移动。

卷积图层与通常的卷积图层没有什么不同，我不确定这种区别是否很常见。实际上，如果你想处理颜色信息，你的输入（到第一个转换层）将不是一个图像，而是几个（例如3个）图像，每个图像都是一个单独的特征图。

在CNN上使用什么分类器完全取决于您。您可以使用Logistic回归，SVM，NN或任何其他分类（或回归）算法。