3.3 构建卷积神经网络

针对3.2节中所提出的需求，构建具有三个卷积层的卷积神经网络，网络结构及各部分的参数见表3-1。

本节实例涉及的卷积层、批量归一化层、非线性激励函数、最大池化层、全连接层的构建函数及其使用方法详见本书的2.4节。

本节详细介绍平均池化层、丢弃层、分类层的构建函数及其使用方法。

1.averagePooling2 dLayer函数

功能：对输入的特征图进行二维平均池化。

用法：

语法①

layer = averagePooling2dLayer(poolSize)。

输入：poolSize为池化区域的大小。

输出：平均池化层。

语法②

layer = averagePooling2dLayer(poolSize，Name，Value)。

可以通过指定“名称-取值”对（Name和Value）来配置特定属性（将每种属性名称括在单引号中），具体含义见表3-2。

例如，averagePooling2dLayer(2，'Stride'，2)，这个语句实现的功能为创建一个平均池化层，池化层的区域为2×2，进行池化运算的步长为2。

2.创建Dropout层：dropoutLayer函数

功能：创建一个丢弃（Dropout）层，该层按给定的概率随机地将输入元素设置为零。

用法：

语法①

layer = dropoutLayer。

该用法是将输入元素的50%随机置零。

语法②

layer = dropoutLayer(probability)。

输入：随机置零的概率。

输出：丢弃层。

例如，dropoutLayer (0.2)，这个语句实现的功能为创建一个丢弃层，将输入元素的20%随机置零。

3.创建回归层：regressionLayer函数

功能：创建一个回归（Regression）层。

用法：layer = regressionLayer。

实现表3-1所示的卷积神经网络的程序代码如下。