李宏毅机器学习笔记-10：卷积神经网络CNN

CNN通常使用在影像辨识上面

CNN整体架构

输入Data，经过卷积（Convolution），池化（Pooling），卷积，池化…（碾平（Flatten））全连（Fully Conneted），其中卷积层，池化层的层数由自己决定

CNN—Convolution

理解下Filter，Stride，然后是卷积的过程，对于没颜色的图片，高度就是1，Filter的深度就是1，直接对应相乘得到output，对于彩色图片来说，高度是3，那么Filter的深度就是3，每层对应相乘后要对应想加。

Convolution与Fully Connected的比较

Convolution只用到9个参数，Fully Connected用到所有参数

CNN—Max Pooling

除了Max Pooling还有Average Pooling，Max Pooling就是设置好的一个区域内取最大值，Average Pooling就是取平均值

当卷积层数足够后就得到一张很小但却很深的图片，然后将其展平，后面是一个全连，再进行反向传播减小误差。最后输出10类

通过Keras实现
其实通过Padding可以让图片保持原来的大小，Padding=1，就是在图片外加一圈0，图片卷积一次后的大小跟Padding，Stride，Filter的大小有关系