卷积神经网络分类器

卷积神经网络分类器

一个卷积神经网络：

​ 可以看到输入层的宽度和高度对应于输入图像的宽度和高度，而它的深度为1。接着，第一个卷积层对这幅图像进行了卷积操作，得到了三个Feature Map。这里的"3"意思就是这个卷积层包含三个Filter，也就是三套参数，每个Filter都可以把原始输入图像卷积得到一个Feature Map，三个Filter就可以得到三个Feature Map。至于一个卷积层可以有多少个Filter，那是可以自由设定的。也就是说，卷积层的Filter个数也是一个超参数。我们可以把Feature Map可以看做是通过卷积变换提取到的图像特征，三个Filter就对原始图像提取出三组不同的特征，也就是得到了三个Feature Map，也称做三个通道(channel)。

​ 在第一个卷积层之后，池化层对三个Feature Map做了下采样，得到了三个更小的Feature Map。接着，是第二个卷积层，它有5个Filter。每个Fitler都把前面下采样之后的3个Feature Map卷积在一起，得到一个新的Feature Map。这样，5个Filter就得到了5个Feature Map。接着，是第二个池化层，继续对5个Feature Map进行下采样，得到了5个更小的Feature Map。

​ 最后两层是全连接层。第一个全连接层的每个神经元，和上一层5个Feature Map中的每个神经元相连，第二个全连接层(也就是输出层)的每个神经元，则和第一个全连接层的每个神经元相连，这样得到了整个网络的输出。

卷积层参数计算：

可以看出，图像大小、步幅和卷积后的Feature Map大小是有关系的：

池化层参数计算：

全连接层起到分类器的作用

目标（损失）函数

权值共享

感受野：后层的一个神经元对应前层一个区域的大小。

Relu激活函数：

应用场景：目标检测、图像语义分割、文本生成图像、风格迁移