CNN卷积过程

目录

1、什么是卷积

2、什么是卷积核

3、什么是卷积层

4、一个卷基层有多少个参数：

5、通道(chennel）怎么理解：

6、几个参数:

7、如何理解权值共享，减少了神经网络需要训练的参数的个数？

---

最近有一个想法，把基础的东西自己总结一遍，后期有了新的理解不断完善

卷积过程：

                                                                               图（1）

gif理解了，卷积的过程也就理解了；

1、什么是卷积

图像中不同数据窗口的数据和卷积核作内积的操作叫做卷积，本质是提取图像不同频段的特征。和图像处理中的高斯模糊核原理一样。

2、什么是卷积核

               图（2）

也称为滤波器filter，带着一组固定权重的神经元，通常是3x3矩阵，一个卷积核的滤波可以用来提取特定的特征（例如可以提取物体轮廓、颜色深浅等）,通过卷积层从原始数据中提取出新的特征的过程又成为feature map(特征映射)，上图（1）卷积核大小是3X3.，说明下现在卷积核和卷积层之间的概念很模糊了，卷积核和卷积层概念已经混淆。但是还是得说下最准确的说法

3、什么是卷积层

多个滤波器叠加便成了卷积层。上图（1）卷积层大小是3X3x3（CxHxW）. C：表示channel，通道的意思

4、一个卷基层有多少个参数：

上图（1）卷积层参数是是3X3x3x2（C1xHxWxC2）输入特征通道  x  卷积核H  x  卷积核W  x  输出特征的通道

5、通道(chennel）怎么理解：

通道可以理解为视角、角度。每个chennel表示不同的含义

6、几个参数:

深度depth：卷积层个数，上图（1）2个，决定输出的通道数上图（1）输出通道2个。
步长stride：决定滑动多少步可以到边缘，上图（1）步长为2。

填充值zero-padding：在外围边缘补充若干圈0，方便从初始位置以步长为单位可以刚好滑倒末尾位置，通俗地讲就是为了总长能被步长整除。 上图（1）zero-padding  是1。

7、如何理解权值共享，减少了神经网络需要训练的参数的个数？

https://blog.csdn.net/lien0906/article/details/51249947这个解释的挺好

 

来自：

https://blog.csdn.net/cheneykl/article/details/79740810

https://www.cnblogs.com/qcloud1001/p/10000106.html