卷积层
卷积神经网络中每层卷积层由若干卷积单元组成,每个卷积单元的参数都是通过反向传播算法最佳化得到。卷积运算的目的是提取输入的不同特征,第一层卷积层可能只是提取一些低级的特征如边缘、线条和角等层级,更多曾的网络能从低级特征中迭代提取更复杂的特征。
边缘检测
将一个6 * 6的灰度图像通过一个3 * 3的过滤器,可得到一个4 * 4的图像,检测边缘。
公式:将一个n * n的图像通过f * f的滤波器,输出结果为 (n-f+1) * (n-f+1)
计算过程是将矩阵内的所有数字乘积之和相加。
可以看出通过过滤器能够检测出图像的边缘,但是图片的大小越大效果会更好一些(上面的图片中检测出的边缘过宽)。
- 两种滤波器
## Padding and Stride
将一个n * n的图像通过f * f的滤波器, padding为 p,stride为s,输出结果为 ((n-2p-f)/s+1) * ((n-2p-f)/s+1)向下取整
池化层
在神经网络中使用池化层来缩减模型的大小,提高计算速度,同时提高所提取特征的鲁棒性。
MAXIING POOLING(最大池化层)通过对矩阵进行分块,然后每块取其最大值,可以达到如果提取到某个特征,则输出最大值,如果没有提取出这个特征,则可能不存在这个特征的目的。
深度很深的神经网络中,你可以用平均池化来分解表示层
池化过程中没有需要学习的参数