卷积神经网络流程图_卷积神经网络

卷积操作

% ------------------------------------
%关于卷积操作
% 
% date 2019/05/14
% by Dufy
%
% ------------------------------------

clc
clear
close all
format compact

a=[0 1 2;3 4 5;6 7 8];
b=[0 1;2 3];
conv(a,b)
function A=conv(mat, filter)

[row, line] = size(mat);%行,列
[row1, line1] = size(filter);%行,®列
for j=1:row-row1+1
    for i=1:line-line1+1
        A(j,i)=sum(sum(mat(j:j+row1-1,i:i+line1-1).*filter));
    end
    
end
end

ans =

19 25

37 43

卷积操作的本质：

• 稀疏交互

不同于全连接网络，卷积操作具有稀疏交互。也就是，输出只与输入的局部产生联系。物理意义是，现实世界中的数据都有局部的特征结构，我们可以先学习局部的特征，再将局部的特征组合起来，形成更复杂和抽象的特征。

局部特征组合

• 参数共享

卷积操作时候，用同一个卷积核对图片的不同位置进行操作，不管图片有多大，均共享同一套参数矩阵。

物理意义是平移不变性。即使图像进行了一定的平移，我们仍可将目标识别出来。

---

多通道卷积操作^[1]：

CNN基本流程图

具体操作如下：

注意，原始的彩色3通道经过卷积后变成了1维

--------总结如下^[2]：

考虑如下例子，filters 10个：

则需要的参数个数是10（3*3*3+1）=280

总结：

卷积层和池化层区别

卷积层核池化层在结构上具有一定的相似性，都是对感受域内的特征进行提取，并且根据步长设置获取到不同维度的输出，但是其内在操作是有本质区别的，如表所示。

---

卷积参数计算

以LeNet为例^[3]，

其中，关于连接数量^[4]：

2. 连接数量：
全连接：
输入层神经元数量*输出层神经元数量
CNN局部连接： 故由于局部连接机制，卷积层的连接数为： 局部连接的输入层神经元数*卷积层神经元数

参考

1. ^Lenet卷积可视化 http://scs.ryerson.ca/~aharley/vis/conv/
2. ^【DL笔记6】从此明白了卷积神经网络（CNN https://zhuanlan.zhihu.com/p/42559190
3. ^经典的卷积网络架构(一)——LeNet-5详解 http://www.manongjc.com/article/37048.html
4. ^CNN卷积层神经元数量、连接数量、权重数量的计算 https://blog.csdn.net/u013793650/article/details/78250152