卷积神经网络的正确架构是什么？

Question

我已经看到了卷积神经网络（CNN）的几种不同架构。我很困惑哪一个是标准，我如何决定使用什么。我并不对使用的层数或涉及的参数数量感到困惑;我对网络的组件感到困惑。

假设：

CL =卷积层SL =子采样层（合并）CM =卷积图NN =神经网络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（我们真的还需要NN吗？） http://ieeexplore.ieee.org/xpls/abs_all.jsp?arnumber=5605630&tag=1

   CL，SL，CL，SL，NN，Softmax

3. 架构3 我的想法

   CL，SL，CL，SL，Softmax

Answer 1

没有一种单一尺寸适合所有CNN架构。 CNN通常被设计为有效地捕获输入数据的特征。假设这些特征是分层的，即高级特征由低级特征组成。 CNN只是一种奇特的特征提取算法，你可以把你想要的任何分类器放在它上面（NN，Softmax，等等）。

因此卷积层用于从输入中提取特征。然后，子采样层缩小图像以降低计算复杂度并使其不变。

卷积贴图层与通常的卷积层没有什么不同，我不确定这种区别是否常见。实际上，如果你想处理颜色信息，你的输入（到第一个转换层）将不是单个图像，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上使用哪种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。