本文是TensorFlow学习笔记，主要介绍了卷积神经网络（CNN）的基础知识，包括卷积参数、卷积计算、卷积核权重及其原理，以及池化的作用和原理。此外，还探讨了CNN中的Backbone、深度神经网络结构和经典的LeNet-5模型。
0、引言
PS：本人初学，技术菜的抠脚，本博客仅对学习过程中遇到的知识点进行总结，如有错误，还望指出，谢谢。
本博文所有图片截取于参考资料所提及资料（无法保证图片是参考资料原创）
常见的卷积神经网络架构图如下所示
输入层：指的神经网络的输入，如下图所示的图像分类神经网络，输入层一般为一张图片的像素矩阵。
卷积层：可将其视为一个***滤波矩阵***，这个矩阵被称为卷积核，并通过一定的规则遍历、计算输入层。
1、卷积
1.1、卷积参数
卷积核(kernel)：常见的有3x3、5x5等。（下图为3x3）
步长(stride)：卷积核遍历整个输入层时所采用的像素值（下图为步长1）
填充(padding)：对于需要遍历的图像，如对边界不填充，只对输入像素卷积，则会造成输出特征图的尺寸小于输入特征图的尺寸。如果对边界补0，则可以保持输入输出一致。
通道(channel)：指卷积层的通道数，一张彩色图片一般为3通道。
1.2、卷积计算
下图1展示的是未加入激活函数的卷积计算（示例所采用3x3卷积核）
最低0.47元/天 解锁文章
扫一扫
1282
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
