卷积，池化，线性，激活层分别的作用

1.卷积（不包括特别的变式卷积）主要分为正常卷积（1，2，3d）和转置卷积，卷积的作用是提取特征
2.池化:对数据进行收集（多变少）并总结（最大值或者平均值）
3.全连接层：对前一层线性组合，线性变换
4.激活层：对特征进行非线性变换，赋予神经网络深度的意义
列举一些：sigmoid：特性：输出在（0，1），符合概率，导数范围在【0，0.25】会出现梯度消失（链式求导），输出为非0均值，破坏数据分布。
tanh：输出值在（-1，1），数据符合0均值，导数范围在【0，1】，在网络层数多的情况下，易出现梯度消失。
relu：输出值均为正数，负半轴导致死神经元，导数是1，缓解梯度消失，易出现梯度爆炸。