深度学习基础复习1：CNN系列

CNN原理

1.ＣＮＮ效果图

使用两个三通道过滤器，从三通道RGB图像中生成两个卷积输出的详细过程：

对应位置做乘法然后相加：第一列滑动窗格 * 中间第一个filter=右边第一个矩阵
(1)中间是含有两个filter即两个神经元(下边还包括bias等参数)，参数数depth=2。可知3*3滑动窗，且Stride=2。
(2)每个神经元之所以各有三个小矩阵，是因为有RGB三个通道同时过滤计算。
(3)输入的数据之所有周边赋予0，是因为Zero-Padding参数填充0值。

CNN的有三个重要的思想架构：

• 局部区域感知
  　　每一个神经元都不需要对全局图像做感受，每个神经元只感受局部的图像区域，然后在更高层，将这些感受不同局部的神经元综合起来就可以得到全局的信息了。
• 权重共享
  　　每个神经元与局部区域的连接权值参数都是一样的，也就是说它们共享一个过滤器（即卷积核），但是这只能过滤一种特征。如果需要关注多个特征，就设计多个卷积核。
• 空间上的降采样
  　　为什么是下采样？利用图像局部相关性的原理，对图像进行子抽样，可以减少数据处理量同时保留有用信息。
  　　对于一个 96X96 像素的图像，假设我们已经学习得到了400个定义在8X8输入上的