CNN

卷积神经网络 Convolutional Neural Networks
1.卷积层 Convolutional Layer
卷积层中有filter，在image空间中不断滑动，进行点乘dot

filter 的dot的结果是一个数值，经过滑动dot，就会形成一个比原先照片小的层，厚度为1
eg:32323（长宽高）image——553 filter = 28281 feature map

filter可以有很多个，我们以6个filter为例（filter的个数即为channel数）
eg:32323 image –55（3）6（553为filter的长宽高，6为filter的个数）–28286 feature map
注：filter的大小长宽是自己指定的，一般为3，5，7。高与input image相同，所以一般都省略。55 = 553

2.卷积过程 Convolutional Process
卷积的过程，就是一系列的卷积层的组合：

3.卷积计算 Convolutional Compute
（1）activation map 大小的计算 以77大小的图片为例

（2）zero padding
zero padding 可以保持图片卷积后的大小

（3）计算
举例：输入图片是32x32x3 有10个5x5的filter ，stride 是1 ，pad 2
输出的大小？ 参数的多少？
Output volume size: (32+22-5)/1+1 = 32 spatially, so 32x32x10
Number of parameters in this layer? each filter has 553 + 1 = 76 params => 76*10 = 760
（4）总结

总结：

1. Input image的大小W1H1D1（长宽高）
2. 卷积层的四个超参数：
   卷积的个数channel：K
   卷积的大小：F
   步长stride：S
   补零padding：P
3. Output feature map的大小W2H2D2满足以下关系
   W2 =（W1+2P-F）/S+1
   H2 =（H1+2P-F）/S+1 #长宽一致
   D2 = K
4. 由于卷积层权值共享，每一个filter的权重为FFD1，故整个卷积层的权重为（FFD1）K+偏差bias为K。总参数为（FF*D1）*K+K