卷积神经网路

卷积层和池化层

　　与神经网络相比，卷积神经网络多了卷积层和池化层，基本顺序为data-conv-ReLU-Pooling-FC（全联接层）-s

一、卷积神经网络的权重共享

　　经典神经网络：全连接，即每个神经元都与每一个数据有对应的参数；

　　卷积神经网络是权重共享的，就是得到的特征图的每个像素点都是原图的一个区域（如5*5*3，有3个颜色通道）与filter（卷积算子，如5*5*3，有75个权重参数）对位相乘加和的结果，这里特征图中所有像素点就共享了这个filter的75个权重参数。

二、输出大小计算

三、池化层（Pooling Layer）

　　对特征图的操作，而不是输入图像数据。是对特征图的特征压缩，没有权重参数。有两种方式分别为mean pooling和max pooling。

四、卷积神经网络组成图示

　　输入--conv+RELU（激活函数非线性）--conv+RELU--POOLING--conv+RELU（激活函数非线性）--conv+RELU--POOLING...

最后一层结果与全连接层相连，相当于把最后的特征拿出来，FC就是最终的特征向量，可以用于分类和回归任务。

　　

转载于:https://www.cnblogs.com/zzx1905/p/CONV_POOLING.html