3.1 卷积神经网络的应用领域|卷积的作用|卷积特征值的计算方法|得到特征图表示|步长与卷积核大小对结果的影响|边缘填充方法

卷积神经网络的应用领域

1. 检测任务
2. 分类与检索
3. 超分辨率重构
4. 医学任务
5. 无人驾驶
6. NVIDIA Tegra X1（显卡 GPU）

卷积的作用

卷积神经网络（cnn）与传统神经网络（nn）的区别：

传统神经网络是将像素点输入，例如333就是将27个像素点输入进去，而对于卷积来说就是直接输入三维空间333进去类似右边的一个空间结构。

整体架构：

1. 输入层（也就是一张照片）
2. 卷积层（提取特征）
3. 池化层（压缩特征）
4. 全连接层

卷积层通过先将32325分块，取其中的一块出来，再从中根据提取的像素点矩阵与w权重矩阵进行相乘得出相对应的特征值。

卷积特征值的计算方法

首先先理解一个概念：三颜色通道实际上就是将一张照片的图片实际上可以分成三张，比如RGB通道，实际上就是R通道的一张照片，G通道的一张照片，B通道的一张照片。

卷积内元素相乘，不同组相加，值得关注的是，仍需要加上b（偏置值）基本公式：

不同通道之间的数字直接进行相加。

得到特征图表示

卷积的结果是得到一张特征图：

即右边绿色的特征图，但是实际上我们传入的数据实际上是有多组数据的，也就是说我们最后得出的特征图也是有多份的，叠加在一起又是一个三位的矩阵。

具体的计算过程：

先进行分析：竖着的3个代表着三个颜色通道，然后右边：
这个代表着有两组特征图。具体的计算过程就是：
-5 = （01+01+01+1-1+2*-1+20+1-1+11+20）+其他的两个通道的相对应的值（一个是0一个是-3）+偏置值b（1）
上述就是第一个特征图的一行二列的一个元素的计算过程。其他的也相同。

然后由于有两个特征图，所以相同位置可以计算出两个不同的值，也就是最后得出的也就有两张图表。

步长与卷积核大小对结果的影响

实际上我们的卷积过程并不是只有一步，实际上我们是先将有的图如下图所示的32323的图片做一次6特征图的卷积，得到28286的三维矩阵，拿这个三维矩阵再次去做10特征图的卷积，得到242410的三维矩阵······这也就是堆叠的卷积层。

卷积层涉及的参数：

1. 滑动窗口步长（即取窗口时下一组距离本组的距离）
2. 卷积核尺寸（图为3*3的卷积核）
3. 边缘填充（详见下）
4. 卷积核个数（特征图个数）

边缘填充方法

可以看到+pad 1，实际上就是在外围的边界加上了一圈0，目的是为了缓解内部的贡献程度更大，外部的贡献程度更小的边界效应。