开始的CNN为什么需要固定输入图像的尺寸?
CNN中的卷积层和全链接层中,卷积层对于图像是没有尺寸限制要求的,全链接层需要固定输入向量的维数,全链接层输入向量的维数对应全链接层的神经元个数,所以如果输入向量的维数不固定,那么全链接的权值参数个数也是不固定的,这样网络就是变化的。而在卷积层,我们需要学习的是11*11的kernal filter 参数个数是固定的。
为什么有了全连接网络模型还要CNN?
全连接网络模型是指在神经网络中每两层之间的所有结点都是相连接的,但在处理图像数据时,全连接网络所需要的参数个数太多,比如处理一张单通道图片,图片大小为2828,设隐藏层的节点数为500个,则由其组成的全连接网络模型的参数有`2828*500+500=392500`,“+500”是因为考虑了偏置项b的情况,而当图片更大时,参数会急剧增多,参数过多不仅会导致网络模型计算速度变慢,同时也容易导致过拟合问题,CNN的出现就是为了在一定程度上改善这种情况。
CNN参数和连接个数
特征图边长:(输入图像长+2*padding-卷积核边长+步长)/步长
需要注意的是卷积是向下取整,池化是向上取整
参数个数:(卷积核边长*卷积核边长+偏置项即1)*卷积核个数
连接个数:参数个数*特征图大小即(卷积核边长*卷积核边长+偏置项即1)*卷积核个数*特征图边长*特征图边长
多通道卷积核计算
对于单通道图像,若利用10个