初识CNN
一、卷积网络与传统网络的区别
1. 传统的是二维的，特征很多，卷积是三维的，将图片直接输入
二、整体架构
输入层->卷积层->池化层->全连接层
三、卷积做了什么事
1、
将图片分成一块一块，如上图所示，原图片是553，5是长，5是宽，3是深度（之所以是3是因为RGB,三个通道），分类以33为一块,3个通道的矩阵分别与flter内积得到三个值，再相加，得到一个值后，再加上一个bias,然后输出，结果见上图，不同的通道filter不同，即一个filter是一个卷积内核，33（前面两个三自己定）*3（必须与输入数据的深度相同），旁边灰色的0是用来填充的，这样原本是边界的值不再是边界，增加使用的概论。
2、特征图的个数
如上图所示，我们得到了两个28*28的两个特征图，说明有两个filter
3.堆叠的卷积层
如上图所示，多层卷积的意思是在提取出的特征图上再使用卷积。第一次卷积用553，之所以是3 ，是因为前面的深度是3，用了6个卷积核，得到28286的特征；第二次卷积用了556的卷积核，之所以是6是因为前面的深度是6，用了10个卷积核，得到242410的特征。
4.卷积层涉及的参数
滑动窗口步长越小，卷积核尺寸越小，粒度越细，反之越粗。边缘填充上面已经说明，即填充0，卷积核个数代表特征图个数
5、卷积计算结果公式
题目：假设数据是32323的图像，用10个553的卷积核，请问有多少个权重参数？
答：553*10=750，750+10=760（）需要加上偏置值
注意，卷积参数共享
四、池化层
如图所示的是最大池化层，它起到一个缩小长和宽的作用，进行筛选过滤，但不能改变特征数，最常用的是最大池化，即选择权重最高的。其过程没有涉及矩阵的运算
五、举例说明
如图所示，CONV即卷积，RELU是激活函数，POOL是池化层，最后，假设我们得到了323210的特征图，最后再将其拉成102400*1的向量，再使用【10240，5】的全连接层，进行分类。其中，只有进行矩阵运算的才算一层，在该图中有6次卷积，1次全连接涉及矩阵运算，故有6+1=7层
原文地址：https://blog.csdn.net/qq_52396617/article/details/142958640
免责声明：本站文章内容转载自网络资源，如本站内容侵犯了原著者的合法权益，可联系本站删除。更多内容请关注自学内容网（zxcms.com）！