标签：输出 简要 每个 网络层 滤镜 边长 神经 维度 向量

Dense 全连接层

输入一堆特征的分数，输出一堆特征（不会变多）的分数。每个输出与每个输入有关。
一般采用ReLU。如果要把分数压到0~1，使用Sigmoid。

Embedding 嵌入层

输入一串数，每个数代表一个单词。把每个单词学习成一个向量，然后输出这串数对应的所有向量。（输出增加一个维度，维度长度即向量长度）

GlobalAveragePooling1D 全球平均池化层

输入一串向量，输出一个向量，是所有向量的平均。

Flatten 平化层

把高维打成低维。

卷积层

具有若干个滤镜，去匹配原图的每个位置，乘一下，输出图形边长=原图形边长-滤镜边长+1。可以有多个滤镜，输出增加维度。

池化层

压缩图片。取平均值或最大值等。

嵌入层

给每个元素整一个向量。比如把长度为50000的独热码整成长度为50的向量。

标签：输出,简要,每个,网络层,滤镜,边长,神经,维度,向量
来源： https://www.cnblogs.com/utopia9999/p/14457067.html

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。