CNN

任务：

图像分类是对输入图像的操作，最终输出一组最好地描述了图像内容的分类（如猫、狗等）或分类的概率。

输入：  图像的像素矩阵

输出：  图像属于分类 i 的概率

 

过程：

输入——卷积层——非线性层——池化层——完全连接层——输出

 

卷积层：

第一层上的过滤器在输入图像上进行卷积运算和「激活」。

过滤器从左上角开始，在图像上滑动并计算出一个数字，得到一个数组，即激活映射或者特征映射。

每个过滤器可以被看成是特征标识符（identifiers）。输出的激活映射，高数值意味着很有可能是输入内容中的曲线激活了过滤器。

过滤器越多，激活映射的深度越大，我们对输入内容的了解也就越多。

 

一个典型的 CNN 结构看起来是这样的：

输入→卷积→ReLU→卷积→ReLU→池化→ReLU→卷积→ReLU→池化→全连接

Relu:线性整流函数。

上一层卷积层的输出作为下一层卷积层的输入，每往下一层，就会得到更加高级的特征的激活映射。

 

完全连接层：

完全连接层观察上一层（该输入可能是卷积层、ReLU 层或是池化层的输出）的输出（其表示了更高级特征的激活映射），

并观察高级