CNN卷积和池化

1、卷积计算规则：

卷积核对应原图位置相乘再相加

需设定超参数：filters 卷积核个数、strides 步长、 padding 边缘补充 、 

卷积

padding填充

最终输出featuremap， CNN深度就是featuremap的个数，对多维输入图像计算多个卷积核，得到多个featuremap输出叠加

多层卷积

2、大小卷积核对比

在AlexNet中有有11x11的卷积核与5x5的卷积核，但是在VGG网络中因为层数增加，卷积核都变成3x3与1x1的大小啦，这样的好处是可以减少训练时候的计算量，有利于降低总的参数数目。关于如何把大卷积核替换为小卷积核，本质上有两种方法。

a、将二维卷积拆分成两个连续一维卷积

    11*11 = 121--------》1*11+11*1 = 22

b、将大二维卷积用多个连续小二维卷积替代

同样大的二位卷积核还可以通过几个小的二维卷积替代。

5*5 = 25 ——》 3*3+3*3 = 18

卷积核可替代的依据是感受野相同

感受野：卷积之后feature map中像素对应原图的像素面积

3、池化层

池化层紧跟卷积层后，对卷积后feature map进行下采样。

通常方法有：均值采样、最大值采样

均值池化

最大值池化

卷积神经网络的三个主要思想：稀疏连接、参数共享、平移不变性

CNN图片处理计算公式

H:高    W：宽    D：深度

Filters 数量K        Filter大小F        步长stride S        零填充大小P

输出体积大小：H2 * W2 * D2

H2 = (H1-F+2P)/S+1

D2 = K

W2 = (W1 - F +2P)/S+1