神经网络层的简要介绍
作者：互联网
Dense 全连接层
输入一堆特征的分数，输出一堆特征（不会变多）的分数。每个输出与每个输入有关。
一般采用ReLU。如果要把分数压到0~1，使用Sigmoid。
Embedding 嵌入层
输入一串数，每个数代表一个单词。把每个单词学习成一个向量，然后输出这串数对应的所有向量。（输出增加一个维度，维度长度即向量长度）
GlobalAveragePooling1D 全球平均池化层
输入一串向量，输出一个向量，是所有向量的平均。
Flatten 平化层
把高维打成低维。
卷积层
具有若干个滤镜，去匹配原图的每个位置，乘一下，输出图形边长=原图形边长-滤镜边长+1。可以有多个滤镜，输出增加维度。
池化层
压缩图片。取平均值或最大值等。
嵌入层
给每个元素整一个向量。比如把长度为50000的独热码整成长度为50的向量。
标签：输出,简要,每个,网络层,滤镜,边长,神经,维度,向量 来源： https://www.cnblogs.com/utopia9999/p/14457067.html