目录
[1.1. 输入端：数据输入层 (Input Layer)](#1.1. 输入端：数据输入层 (Input Layer))
[1.2. 中间层：核心特征提取层](#1.2. 中间层：核心特征提取层)
[1.3. 输出端：全连接层 (FC Layer)](#1.3. 输出端：全连接层 (FC Layer))
[2.2.2 读取数据](#2.2.2 读取数据)
[2.3.1 训练模型](#2.3.1 训练模型)
[2.3.2 测试模型](#2.3.2 测试模型)
这篇笔记的是在想在FPGA中部署CNN的学习过程中做的笔记，主要是记录在学习B站"从零设计并训练一个神经网络，你就能真正理解它了_哔哩哔哩_bilibili"课程时做的一些笔记，只是大概了解CNN如何搭建的全流程，但是对CNN的内部结构还是不了解。
1.典型层级结构
CNN的典型层级结构如下图所示。图来源于参考资料1。
图中卷积神经网络（CNN） 的典型层级结构分为三个主要部分，分别是输入层、中间层、输出层。每一层的功能如下：
1.1. 输入端：数据输入层 (Input Layer)
这是架构的最左侧，主要负责对原始数据进行预处理，以提升训练效果和模型的稳定性。常见的处理手段包括：
-
去均值 (Mean Subtraction)： 将数据各维度中心化为 0，防止数据偏差影响训练。
-
归一化 (Normalization)： 将所有数据缩放到统一的范围。
-
其他： 如 PCA（主成分分析）和白化（Whitening）等。
1.2. 中间层：核心特征提取层
这是 CNN 的主体部分，通常由以下三种层反复堆叠而成：
-
CONV (卷积计算层)： 负责特征提取，通过线性乘积并求和的方式捕捉局部特征。这是 CNN 的核心。
-
RELU (激活层)： 采用 ReLU 等激活函数，为模型引入非线性，使其能处理复杂的特征。
-
POOL (池化层)： 进行下采样（取区域平均值或最大值），目的是减小数据维度，减少计算量并防止过拟合。
1.3. 输出端：全连接层 (FC Layer)
位于架构的最右边：
- FC (Fully Connected Layer)： 负责将前面提取到的各种特征进行汇总，最终用于分类或回归任务。
2.实例
此例子来自参考资料2。
2.1.神经网络的设计和实现
2.2.训练数据的准备和处理
2.2.1获取数据
2.2.2 读取数据
2.3.模型的训练和测试流程
2.3.1 训练模型
2.3.2 测试模型
参考资料
- CNN笔记：通俗理解卷积神经网络_cnn卷积神经网络-CSDN博客：介绍了cnn的基础知识，主要是如何识别出物体的类别，卷积是怎么运算的。
2.从零设计并训练一个神经网络，你就能真正理解它了_哔哩哔哩_bilibili：以手写数字为例子，介绍了前馈