卷积神经网络（CNN）基础知识

一、CNN基本结构

        CNN的基本结构由输入层、卷积层（convolutional layer）、 池 化 层 （pooling layer）、全连接层及输出层构成。卷积层和池化层一般会取若干个，采用卷积层和池化层交替连接，即一个卷积层连接一个池化层，池化层后再连接一个卷积层，依此类推。由于卷积层中输出特征面的每个神经元与其输入进行局部连接 并通过对应的连接权值与局部输入进行加权求和再加上偏置值，得到该神经元输入值，该过程类似于卷积过程。
        第一层输入图片, 进行卷积操作, 得到第二层深度为 3 的特征图。对第二层的特征图进行池化操作, 得到第三层深度为 3 的特征图. 重复上述操作得到第五层深度为 5 的特征图, 最后将这 5 个特征图, 也就是 5 个矩阵, 按行展开连接成向量, 传入全连接层, 全连接层就是一个 BP 神经网络. 图中的每个特征图都可以看成是排列成矩阵形式的神经元, 与 BP神经网络中的神经元大同小异。

二、卷积运算

规则：把filter铺到原矩阵中，然后把filter与原矩阵中对应的数相乘再加和。

 卷积神经网络的原理 - 边缘检测