卷积神经网络学习一

概念和特点

padding填充

输出(n+2p-f+1)*(n+2p-f+1)
p为padding
f为stride

valid卷积

意味着卷积不填充
输入：
n* n的图像
f* f的滤波器
输出：
(n-f+1)*(n-f+1)

same卷积

为了得到和原图像一样大小的输出
p=(f-1)/2
输入：
n* n的图像
f* f的滤波器
输出：
(n+2p-f+1)*(n+2p-f+1)

stride步长

输入：
n* n的图像
f* f的滤波器
输出：
floor((n+2p-f)/s+1)

互相关

互相关缺少翻转操作
双重镜像实例：

双重镜像后变成

为了简化代码，并是神经网络正常运行，所以就不做双重镜像操作
softmax函数