池化将输入的宽度和高度除以池大小。
比如，对于我们的MNIST CNN，我们将在初始转换层之后立即放置一个池大小为2的最大池化层。池化层会将26x26x8输入转换为13x13x8输出。
实际上，最终完成CNN，还需要赋予其预测的能力。
那么，将通过使用多类分类问题的标准最终层：Softmax层，这是一个完全连接（密集）的层，它使用Softmax函数作为其激活的全连接（密集）层。
什么是Softmax函数？
给定一些数字，Softmax函数就能将任意数字转化为概率。
比如，我们选定数字 -1、0、3和5。
首先，我们需要计算e的指定数字次方，然后将其所有结果相加，当作分母。
最后，e的指定数字次方的值就作为分子，由此计算可能性。
而以MNIST CNN为例，将使用带有10个节点的softmax层作为CNN的最后一层，每个数字代表一个数字。层中的每个节点将连接到每个输入。
应用softmax变换后，由节点表示的概率最高的数字将是CNN的输出了。
好了，介绍了这么多。是不是能够很好的理解卷积神经网络了呢？
可以私戳下方链接了解更多哦～
传送门：
https://victorzhou.com/blog/intro-to-cnns-part-1/
https://victorzhou.com/blog/softmax/
— 完 —
量子位 QbitAI · 头条号签约
关注我们，第一时间获知前沿科技动态
