# 层 层结构是AADeepLearning核心组建，定义层方式如下 ~~~ # 网络结构，数据将从上往下传播 net = [ { # 层名 "name": "convolutional_1", # 层类型，卷积层 "type": "convolutional", # 卷积核个数 "kernel_number": 1, # 卷积核高 "kernel_height": 2, # 卷积核宽 "kernel_width": 2, # 填充数，1：在图片最外层填充1圈0，2：填充2圈0，以此类推 "padding": 1, # 滑动步长 "stride": 1, # 权重初始化 gaussian/msra "weight_init": "msra" }, { # 层名 "name": "relu_1", # 层类型， 激活函数层 "type": "relu" }, { # 层名 "name": "pooling_1", # 层类型，池化层 "type": "pooling", # 模式 max（最大池化）/average（平均池化） "mode": "max", # 池化核高 "kernel_height": 2, # 池化核宽 "kernel_width": 2, # 滑动步长 "stride": 1 }, { # 层名，无限制 "name": "flatten_1", # 层类型，将数据展平为适合神经网络的结构，用于输入层或者卷积层和全连接层中间。 (60000, 1, 28, 28) ——> (784, 60000) "type": "flatten" }, { # 层名 "name": "fully_connected_1", # 层类型，全连接层 "type": "fully_connected", # 神经元个数 "neurons_number": 256, # 权重初始化方式 msra/xavier/gaussian "weight_init": "msra" }, { # 层名 "name": "relu_2", # 层类型（激活层） 可选，relu，sigmoid，tanh， "type": "relu" }, { # 层名 "name": "fully_connected_2", # 层类型，全连接层 "type": "fully_connected", # 神经元个数 "neurons_number": 10, # 权重初始化方式 msra/xavier/gaussian "weight_init": "msra" }, { # 层名 "name": "softmax_1", # 层类型，分类层，最终输出十分类的概率分布 "type": "softmax" } ] ~~~ > 前向传播时：数据将从上往下传播，例如第一层的输出是第二层的输入，第二层的输出是第三层的输入，以此类推 > 反向传播时：数据将从下往上传播，例如第四层的输出是第三层的输入，第三层的输出是第二层的输入，以此类推