卷积神经网络的简单认识

一：卷积层

     1. 卷积层的作用是降低数据量级，如果说一个图像的像素是1000*1000，全部放到神经网络里面，数据量是非常大的。所以引入了卷积核，相当于一个过滤器。例如：5*5的图像，用3*3的卷积核，就变成了3*3的卷积结果。具体应用中，往往有多个卷积核。

     2. 池化的目的是降低数据维度。原因在于即使经过了卷积，但是图像仍然很大，所以为了降低数据维度，就对其进行了采样的操作，分为最大值下采样（Max-Pooling)，和平均值下采样(Mean-Pooling).

     3. 注意，用不同特征得到的底层组合，可以得到进一步的高级特征。

     4. 卷积的输入通道取决于图片类型，比如RGB就是三通道；卷积操作完成后输出通道，取决于卷积核的数量。此时的输出也会作为下一次卷积的输入。

问题：他的通道到底是如何变化的？

   5. 卷积层与全连接层的转换：

       全连接层需要把输入拉成一个列项向量， 比如你的输入的feature map是2X2，那么就需要把这个feature map 拉成4X1的列向量，如果你的feature map 的channels是3，也就是你的输入是3X2X2，也就是相当于有了12个像素点，你就需要把feature map 拉成12X1的列向量，这时候，再乘一个权重，这个权重要把12个像素点都包含进去，所以这个权重的矩阵形式应该是1X12,所以经过一个全连接层后的输出就是1X12X12X1=1X1，这时候需要看你的需要多少个1X1的神经元了，如果是3个的话，那么输出就是3X（1X12X12X1）=3X（1X1）

     6. 卷积神经网络的三大特性：局部性，相同性，不变性。

     7. 可以在网络的forward这个方法里面加上x.data.size()来查看经过卷几层之后的图像信息。