CNN卷积神经网络学习笔记

对CNN卷积神经网络学习过程中的学习笔记，会持续更新。

本文所说的CNN(Convolution Neural Network)是卷积神经网络的英文首字母，非"美国有线电视新闻网（Cable News Network）"。

CNN结构大同小异，主要由三个部分构成：

1.卷积层（Convlolutional layer）
2.池化层（Pooling layer）
3.全连接层（Full connected layer）

卷积层：

卷积层由多个卷积核构成，卷积核为带有表示权重大小的矩阵。

卷积公式：

它的物理意义大概可以理解为：系统某一时刻的输出是由多个输入共同作用（叠加）的结果。

放在图像分析里，f(x) 可以理解为原始像素点(source pixel)，所有的原始像素点叠加起来，就是原始图了。

g(x)可以称为作用点，所有作用点合起来我们称为卷积核（Convolution kernel）。

卷积核上所有作用点依次作用于原始像素点后（即乘起来），线性叠加的输出结果，即是最终卷积的输出，也是我们想要的结果，我们称为destination pixel.

卷积过程动态图

卷积的意义：

提取特征。

卷积后输出单元数量计算：

一个输出单元的大小有以下三个量控制：depth, stride 和 zero-padding。

• 深度(depth) : 顾名思义，它控制输出单元的深度，也就是filter的个数，连接同一块区域的神经元个数。又名：