卷积神经网络

使用卷积的原因主要是减少计算复杂度，节省开销。

卷积其实就是一个滤镜

使用滤镜的过程就是在原图不断移动的过程。

例子：

从最左上角开始，把滤镜（3*3）中的每一个值和原图（5*5）中的每一个值做点乘。然后每计算一次移动一步。就可以得到右边这个新的矩阵。

CONV(convolution layer)卷积层

RELU(ReLU layer)线性整流层

POOL(pooling layer) 池化层

FC(fully connected layer) 全连接层

和其他神经网络一样我们通过梯度下降和反向传播来调整权重。不一样的是这里调整的是滤镜矩阵参数。

假设我们滤镜矩阵大小是3*3,有两个滤镜，那么我们需要通过梯度下降和反向传播调整3*3*2，一个18个参数。

 

卷积层

举例

举例：下图是50*50因为RGB，所有图片尺寸是50*50*3

如果是灰色，就是50*50*1

我们选择滤镜尺寸是5*5*3，选择32个滤镜，步长5.向右移动10次就对第一行做完卷积。然后向下再对下一行卷积。

一个向下10次，就对整张图做完卷积。所以卷积之后得到一个10*10*32的矩阵。