卷积和池化

出野外回来后，学习的速度迟滞了。。。

今天学习卷积和池化。

卷积神经网络和普通的神经网络的区别在于，卷积神经网络包含了由卷积层和子采样层构成的特征抽取器。其中，卷积神经网络由输入层、卷积层、激活函数、池化层、全连接层组成。

1.卷积层，用于特征的提取。即从大尺度图像上随机选取小块样本，从中选取特征，并利用学习到的特征作为探测器应用到图像的各个地方去。（注意为了防止不对称，图像尺寸减去卷积核尺寸再除以步幅应该为整数，下图步幅为1。图像在单个卷积核卷积之后深度为1，故最后图像在所有卷积核卷积之后深度为卷积核的数量）(卷积核尺寸为空间尺寸乘输入深度）

2.池化层，用于使特征图变小，简化计算复杂度，另一面进行特征压缩，提取主要特征。池化不会应用于深度方向，最常见的是最大值池化（卷积核在图像任意区域的受激程度表示，用于检测识别）。

实践中一般是22的卷积核，步长为2，2*2的池化器。更小的卷积核和更深的网络结构是未来的趋势。另外，在卷积核卷积之前，可以通过0填补来保持原始尺寸输出，防止丢失过多边角信息，或者利用复制边缘值方法，防止出现过多人为特征。

上图为卷积神经网络的结构，CONV为卷积层，RELU为激活函数，POOL为池化层。