李永乐老师卷积神经网络

https://www.youtube.com/watch?v=AFlIM0jSI9I

卷积过程

卷积核表示图像特征，比如一个右下的线条。

卷积核在图像上移动，做运算，就会得图像的特征图（粉色的。有右下线条的地方数字会特别大。

卷积核的维度和数目

也有竖着的卷积核，左下线条的卷积核。不过有几个卷积核(channel)就生成几个特征图。几张特征图挪一块就变成一个三维立体的图形。比如一个平面图，经过R,G,B3个卷积核，就生成一个3层的特征图。

 

在上图中输入的图像是100*100*3.可以看成一个三维的图（3个一维图的叠加。卷积核的长和宽自己设定，比如 3*3。深度为当前层图像的个数（channe）。

所以黄色的卷积核可以设置为3*3*3。每个卷积核都是三维的。

卷积核维度: n*n*当前层数的图像数(channel)

由于设置了4个卷积核，所以最后输出了4张特征图。

 

池化

池化简化了特征图，max pooling就是，每四个小格子选最大的数字来代替。

 

激活

将池化后的图经过激活函数。比如sigmoid。

多次卷积

1.原图像是(28*28*1)。 卷积核维度是(5*5*1)，有n1个卷积核。卷积后有n1张特征图，所以特征图维度（24*24*n1）。池化后（12*12*n1）。

2.将池化后的（12*12*n1）作为第二层的输入。卷积核维度(5*5*n1)，有n2个卷积核。卷积后有n2张特征图，特征图维度（8*8*n2）。池化后（4*4*n2）。

接下来就是两个全连接层。

卷积核和参数一般自动调整达到最优。