卷积神经网络基本概念

卷积神经网络

(1)输入层：将每个像素代表一个特征节点输入到网络中
(2)卷积层：主要目的是使原信号特征增强并降低噪音（下图）
(3)池化层（降采样层）：降低网络训练参数及模型的过拟合程度
(4)全连接层：对生成的特征进行加权
(5)softmax层：获得当前样例属于不同类别的概率

卷积层：图像矩阵和权值矩阵的点乘
卷积操作相对于全连接的优点的优点：①局部连接：每个输出特征不用查看每个输入特征，值需要查看与卷积核相乘的这部分输入特征；②：权值共享：卷积核在图像上滑动过程中保持不变。（3*3的卷积核，所需参数为9）

池化：（1） 均值池化：对背景信息更加敏感
（2） 最大池化：对纹理特征信息更加敏感
用步长大于1的卷积操作也是降维的一种方式，有时候使用卷积来池化的效果比池化效果更好。

python

input_data = tf.nn.Variable(np.random.rand(10,6,6,4),dtype=np.float32)
filter_data=tf.Variable(np.random.rand(3,3,4,2),dtype=np.float32)# 3*3的卷积核，输入4通道输出2通道
y = tf.nn.conv2d(input,_datafilter_data,strides=[1,1,1,1],padding='VALID')  #卷积函数，（10,6,6,4）变成（10,4,4,2）
output = tf.nn.max_pool(value=y,ksize=[1,2,2,1],strides=[1,2,2,1],,padding='SAVE')  #(10,4,4,2) 变成（10,2,2,2）