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。
表3-1 所设计的卷积神经网络及各部分的参数
（续）
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。
表3-2 averagePooling2dLayer函数参数含义
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。
