3.2 特征图尺寸计算与参数共享|池化层的作用|整体网络架构|VGG网络架构|残差网络Resnet|感受野的作用

特征图尺寸计算与参数共享

给个例子：
如果输入的数据是32323的图像，用10个553的filter来进行卷积操作，指定步长为1，边界填充为2，最终的输入的规模为：

计算过程：
（32-5+22）/1+1 =32，所以输出的规模为3232*10。

卷积参数共享：
指的是对于不同的卷积核来说，其对应的权重是同一个。

池化层的作用

池化层的作用在于卷积层得出的数据过大，我们可以使用池化层进行压缩其内部特征点，达到简化的地步。

例子：最大池化

可以看出实际上就是在四个方块中进行取出最大的数，作为这所有特征部分的代表。

整体网络架构

整个卷积神经网络的过程：实际上就是先conv（卷积）再relu（激活函数），然后conv（卷积）再relu（激活函数）接着Pool（池化），等等，到最后的FC，但在FC的前一步是需要讲得到的三维的向量拉长变成一个一维向量（一条线），然后再去FC进行操作得到最后的概率。

对于神经网络仅有卷积层和最后的FC被当作层数对象。例如上述的照片就是一个7层的神经网络。

VGG网络架构（了解向，背景向）

-经典网络Alexnet（可以网络上百度了解一下）

-经典网络Vgg（可以网络上百度了解一下）
通过以此pool之后将下一次卷积之后让特征图翻倍，来弥补。
16层是基本最为理想化的神经网络。

残差网络Resnet（了解向，背景向）

-经典网络残差网络Resnet
通过Resnet的操作使得20，30，上千层的卷积神经网络的error率逐渐变好。

感受野的作用

感受野（越大越好）：拿下面的2层神经网络进行介绍：

对于First Conv当中的绿色区域来说它的感受野就是input当中的绿色33的区域块，因为他是由那三块区域计算得出的，那再次卷积之后呢，对于Second Conv来说最为中心的红色方块，他就是由First Conv当中的红色方块33区域计算得出的，也就是由input当中55的区域计算得出的，所以他的感受野就是55。