深度学习_卷积神经网络

卷积神经网络（Convolutional Neural Network, CNN）用于图像识别，在CNN 中有卷积层（Convolution层）、池化层（Pooling层）和全连接层（fully-connected）, 随着网络深度的加深，高度和宽度会逐渐减小，信道的数量逐渐增加。
常见的卷积神经网络有两种：
（1）Input -> 卷积层 -> 池化层 -> 卷积层 -> 池化层 -> …… -> 全连接层（几个）-> Softmax -> Output
（2）Input -> 卷积层（一个或多个）-> 池化层 -> 卷积层（一个或多个）-> 池化层 -> …… -> 全连接层（几个）-> Softmax -> Output

1.卷积层
卷积层可以使图像保持形状不变，能正确理解图像等具有形状的数据，避免了全连接层无法利用与形状相关的信息。过滤器大小通常是奇数。
卷积运算：


卷积运算加偏置，是把偏置分别加到各个像元上

三维数据的卷积运算，有几个通道就需要几个滤波器，然后对应通道进行卷积运算，再把各通道计算值相加。


把数据看作是方块，进行理解；滤波器与输入数据具有一样的通道，最后输出数据是一维的。

选择FN个滤波器,会生成FN维的输出数据

2.填充
填充是在输入数据周围填入固定的数据（比如0），主要是为了调整输出数据的大小。
一般有两种方式：
（1）不填充
（2）填充使图像卷积后大小不变

3.步幅
步幅就是使用滤波器时的位置间隔。

输出数据大小计算式：

H: 输入数据的高
W: 输入数据的宽
FH: 滤波器的高
FW: 滤波器的宽
P: 填充
S: 步幅
OH: 输出数据的高
OW: 输出数据的宽

4.池化层
采用池化层是为了缩小图像，“输出数据大小计算式”也适用于池化层的计算。
有两种池化方式：
（1）Max 池化
（2）Average 池化

特点：
（1）池化过程中没有要学习的参数
（2）池化前后通道数不发生变化

（3）对微小的位置变化具有鲁棒性（健壮）