卷积神经网络4-三维卷积

三维认识

              三维（RGB三色通道），

 

三维卷积

              27个参数卷积每个元素对应相乘再求和，最终形成一个神经网络层

 

几个过滤器，决定了结果矩阵有几层。

 

举例 ：

假如在你的单层神经网络中有10个3x3x3过滤器，那么在这个神经网络中有多少个参数？

           单个过滤器包括27个个参数和1个偏差参数=28

           一共 = 28 x 10 = 280个

 

卷积神经网络的特征 “避免过拟合”

 

卷积层的标记

            = filter size,     l 表示过滤器大小

            = padding，  调整padding大小来控制输入和输出图像的大小关系

            = stride， 

           = number of filters 

input：

            x    x        l-1带上上一层的激活值，H和W代表上一层输入的高度和宽度

output：

           x   x  

          同理可计算出其它

Each filter is:   x     x  

Activations: （应用偏差和非线性函数之后，这一层的输出等于它的激活值）是一个三维体

                              x   x  

Weights:  x  x  x 

bias:  - (1,1,1,)

卷积神经网络示例

             图像大小由39到37到17再到7，信道数量由3到10到20再到40，这将会是一个普遍的变化趋势。

一个典型的卷积神经网络通常有三层

1. Convolution 卷积层（Conv）
2. Pooling 池化层（Pool）
3. Fully connected 全连接层（Fc）