《TensorFlow深度学习算法原理与编程实战》

数据输入层：Input Layer
功能：对输入的数据进行预处理
预处理方式：去均值、归一化、PCA/白化

卷积计算层：CONV Layer
功能：进行滑动局部感知，按每个通道、每个过滤器进行卷积。
参数：窗口大小、滑动步长、过滤器（N*(W+B)）、深度（通道）

ReLU激励层：ReLU Incentive Layer
功能：对卷积层的输出结果做一次非线性映射（激活）
常用非线性映射函数：Sigmoid、Tanh、ReLU、Leaky ReLU、ELU、Maxout

池化层：Pooling Layer
功能：通过逐步减小表特征的空间尺寸来减小参数量和网络中的计算。
策略：最大池化、平均池化

全连接层：FC Layer
功能：在尾部用于输出

备注：Batch Normalization Layer
功能：对神经元的输出进行一下修正