卷积神经网络基本流程

一、卷积（目的：自动获取特征）

1.卷积核

就是加权求和中的权重，和MLP中的w向量是一样的

2.运算：由输入的数据空间 以及 卷积核决定（超参数：填充与步长）

 3.卷积神经网络的深度和宽度

深度由卷积几次决定，宽度由卷积核的个数决定

 

二、激活 

在加权求和这一线性变换后，再利用激活函数引进非线性变换，使得能找到一个超平面（即一系列交互的特征）来对样本进行区分

 

三、池化（亚采样、下采样）

1.可以在保证大部分重要信息的同时，降低各个特征图的维度（比如一张清晰的猫咪图案，经过池化后变得模糊，但仍能辨认出是猫咪）

2.池化方法有最大池化、求和池化、平均池化等（这三个定义空间邻域来实现，一般最大池化效果最好，下面2x2最大池化示意图）

 

四、全连接（就是传统的神经网络，即拉伸成一维特征空间后，前面所有的神经元与下一层的神经元连接）

（卷积神经网络+传统神经网络）

 以上图为例，在S4这一步一共有16个5*5分辨率的二维/特征图像，将他们拉伸成一维特征向量（一个个像素点依次排列，一共400个像素点，长度为400），然后作为输入层的输入数据传输到隐藏层，图中有两个隐藏层，分别含有120个神经元和84个神经元，最后输出10个类别的概率。