深度学习相关名词功能总结
因为还在学习中，所以这里简单概括一下这些都是干嘛的，碰到的我都会总结一下。
卷积层：提取局部特征，从而捕捉图像中的边缘、纹理和模式等信息。
池化层：降低特征图的空间维度（高度和宽度），减少计算量和参数数量，同时保留重要特征。
激活函数：在神经网络中引入非线性因素，使网络能够学习和模拟复杂的非线性关系，从而提升模型对复杂数据模式的拟合能力。
全连接层：通常位于网络的末端，用于处理一维数据，将前面层提取的局部特征整合为全局特征，用于输出最终的预测结果。
数据增强：通过设置不同的参数，可以对图像进行旋转、平移、剪切、缩放和翻转等操作，从而增加训练数据的多样性，提高模型的泛化能力。
损失函数：用于量化模型预测值与真实值之间的差异，通过最小化损失函数来优化模型参数，从而提高模型的预测准确性和性能。
优化器：用于在训练过程中根据损失函数的梯度信息调整模型参数，以最小化损失函数，从而提高模型的性能和收敛速度。
verbose：=0不显示任何结果；=1显示进度；=2每个 epoch 输出一行记录。