卷积神经网络

一、卷积神经网络的运算

1.特征图（feature maps）

[b,w,h,c]表示b张照片，有3个维度：w维度（行）、h维度（列）和c维度（通道数）

        说明：h和w是位置维度，c是特征维度

2.感受野（receptive field）

局部关注的特性

3.矩阵基本运算思路

局部感受野的矩阵权值和数值对应相乘然后累加

4.CNN的内核

1) CNN将一个数组或图像（二维或三维，灰度或彩色）作为输入，并试图学习这个图像和一些目标数据之间的关系，例如分类。通过 "学习"，我们仍然在谈论权重，就像在一个普通的神经网络中。CNN的不同之处在于，这些权重将输入的小部分连接到第一层的每个不同的神经元。从根本上说，在一个层中有多个神经元，它们对输入的同一小节都有各自的权重。这些不同的权重集被称为 "内核"。

2) 卷积核的大小和通道

[ N c a b ]表示N个输入c个权值/通道（N个核），axb的卷积核大小。

二、卷积神经网络

1.padding & stride（步长？）

[b,w,h,c]表示b张照片，有3个维度：w维度（行）、h维度（列）和c维度（通道数）

通过增加padding和stride可以使得h'和w'变得可调节。

通过padding使得h'和w'变大，通过stride使得h'和w'成倍地减小。

2.layers.conv2D

--call--  完成成像传播