卷积神经网络

1.卷积层

对图像（不同的数据窗口数据）和滤波矩阵（一组固定的权重：因为每个神经元的多个权重固定，所以又可以看做一个恒定的滤波器filter）做内积（逐个元素相乘再求和）的操作就是所谓的『卷积』操作，也是卷积神经网络的名字来源。

非严格意义上来讲，下图中红框框起来的部分便可以理解为一个滤波器，即带着一组固定权重的神经元。多个滤波器叠加便成了卷积层。

 图中左边部分是原始输入数据，图中中间部分是滤波器filter，图中右边是输出的新的二维数据。

CNN的卷积核通道数 = 卷积输入层的通道数；CNN的卷积输出层通道数 = 卷积核的个数

 

在计算过程中，输入是一定区域大小(width*height)的数据，和滤波器filter（一组固定的权重）做内积后等到新的二维数据。

对于下图中，左边是图像输入，中间部分就是滤波器filter（一组固定的权重），不同的滤波器filter会得到不同的输出数据，比如轮廓、颜色深浅。相当于如果想提取图像的不同特征，则用不同的滤波器filter，提取想要的关于图像的特定信息：轮廓或颜色深浅。

 

随着左边数据窗口的滑动，滤波器Filter w0对不同的局部数据进行卷积计算。

左边数据在变化，即每次滤波器都是针对某一部分数据窗口进行卷积，这就是所谓的CNN中的局部连接机制。
与此同时，数据窗口滑动，但中间滤波器Filter w0的权重（即每个神经元连接数据窗口的的权重）是固定不变的，这个权重不变即所谓的CNN中的参数共享机制。 

 其实，类似wx + b，w对应滤波器Filter w0，x对应不同的数据窗口，b对应Bias b0，相当于滤波器Filter w0与一个个数据窗口相乘再求和后，最后加上Bias b0得到输出结果-1，

0*-1+0*0+0*1+

0*0+0*1+1*0+

0*0+2*-1+0*-1=-2        -2+(-1)+1+bias1=-1

2.池化层

最大池化

MAXPOOL2D

保留数据特征，同时把数据量减小

2.1dilation空洞卷积

 2.2ceil_mode

true为上取整

2.3stride

stride – the stride of the window. Default value is kernel_size

 2.4过程-取最大值

cell保留3