cnn卷积神经网络模型架构

cnn卷积神经网络模型架构：（使用 MNIST 数据集为例）

[28,28] -卷积层-> [26,26] -卷积层-> [24,24] -池化层-> [12,12] -全连接层-> [512] -> [256] -> [64] -> [10]

其基本结构大致包含：

• 卷积层。提取图像上的特征，定义卷积核。感受野（步长、卷积核大小、空洞大小）。
• 池化层。也称采样层，通过减少网络参数，避免过拟合。最大池化层、均值池化层。
• 激活函数。加入线性因素，提高特征表达能力。ReLU、Sigmoid、tanh、Leaky ReLU。
• 全连接层。特征降维，将学习到的特征映射到标签。
• 输出层。分类使用 softmax 分类函数、回归使用 线性函数。

rnn循环神经网络模型架构

rnn循环神经网络模型架构：（使用 IMDB 数据集为例）

• 获取原始数据并生成数字码表。
• 序列化处理（添加标志位、统一长度）并词向量编码。
• 使用网络模型（SimpleRNN、LSTM、GRU）处理，添加 Dropout 层避免过拟合，然后 relu 激活函数，最终全连接层 Dense 输出最终结果。