20210203 CNN详解 特征图和神经元 权值共享

卷积神经网络超详细介绍_呆呆的猫的博客-CSDN博客_卷积神经网络

卷积神经网络CNN---权值共享 - 百度文库

feature map  和神经元的关系

https://www.csdn.net/tags/MtTaEg4sODcwNjE0LWJsb2cO0O0O.html

1、神经网络模型的过程

先有输入层，正向传播，经过隐层， 第一次权重随机的，得到一个输出loss，拟和的不好，再经过反向传播，求出导数，梯度值，计算每个权重对结果的影响大小，在对权重进行改变，直到loss变小，拟合好。

2、任务

1> 分类      classfication

2> 推荐同款      retrieval

3>目标检测    detection
4>分割         segmentation

3、卷积神经网络和神经网络的区别

特征提取，   这是六个filter（卷积核）,    提取不同的特征压缩

可以在一个图像上进行多个filter卷积，也可以深层卷积。

这是一个三通道的图像，RGB,   一个filter经过三层深度卷积， 单通道是灰度图，一个像素只有一个值，0是黑色，255是白色， 也有三通道的灰度图，一个通道有值，其他两个都是0。

卷积：

滑动步数  stride      越大      特征越少， 希望特征更多，1的话  计算量太大，也不能漏特征，所以不大不小正好。

为了利用边缘的更多特征，  加上padding参数。    在边缘外加上0。  pad=1  加一圈0

卷积输入和输出计算：

传统神经网络是全连接形式，参数很多，无法完成学习。

卷积神经网络的一个重要特性：  权重共享  

池化层：  针对特征图来操作。   对特征图的浓缩。

原始图像     -->  特征图

压缩：  mean 或max       

传统提取特征误差会比深度学习要大，所以采用自学习的方式，精细

最后一层FC就是全连接，所有特征。

卷积层前向传播：

filter 深度和前一层深度完全一样

一个图像是三通道的，那选择filter也是三个层数，   3->3*7*7->     64->64*7*7

卷积层反向传播:

池化层反向传播；   均值和最大值

全连接层：

cnn全连接层_車輪の唄的博客-CSDN博客_cnn全连接层

ResNet详解——通俗易懂版_sunny_yeah_的博客-CSDN博客_resnet