卷积神经网络

一、结构

1.卷积过程：

输入图片尺寸为（batchsize,l,w,channels）,l表示长度，w表示宽度，channels表示通道数，batchsize为每次输入神经网络的图片张数。默认（1,6,6,1）。

卷积核大小为（numbers,l1,w1,channels）,l表示长度，w表示宽度，channels表示通道数，应与被卷积的特征图（输入的图片）的通道数相同，numbers表示卷积核的个数。默认（1,3,3,1）。

（1）当直接对特征图进行卷积时，步长(stride)为1，符合公式，。新特征图的长度为l',宽度为w'，得到（1，4,4,1）。

（2）当直接对特征图进行卷积时，步长(stride)为>=2，符合公式,,其中floor表示向下取整（保留整数），新特征图的长度为l',宽度为w'，得到（1，2,2,1）。

（3）当需要使输出图片的长宽与输入图片的长宽相同时，需要进行全零填充。符合公式,,其中p表示对输入图片的一周进行全零填充，例：当p=1时表示对输入图片的一周进行全零填充一次。得到（1,6,6,1），其中p=1。注意：在keras的Conv2D函数中需设置padding='same',并且步长必须为1，即strides=(1,1)才可使特征图的长宽保持不变。

例：

当padding='same'且strides=(2,2)时，输出图片长宽并不是6*6，而是3*3，并没有进行全零填充，而是向上取整。

例：

当padding='same'且strides=(1,1)时，输出图片长宽才是6*6，进行了一次全零填充。

2.参数（param）：注意：一个神经元配置一个偏置量（bias）,一个卷积核配置一个偏置量（bias）。

(1)全连接层（Dense）的参数量

计算公式为：输入向量的参数个数*输出神经元个数(乘积得到的结果表示权重weights的参数量)+输出神经元个数(表示偏置bias的参数量)

例：

如上图所示，Flatten()的作用是将三维（6,6,1）转为一维向量（36，），经过一次隐藏层（32个神经元），参数量为：

36*32+32=1184。

(2)卷积层（Conv2D）的参数量

计算公式为：卷积核的长*宽*通道数*个数(乘积得到的结果表示权重weights的参数量)+卷积核的个数(表示偏置bias的参数量)

例：

如上图所示，参数量为：5*3*3*3+5=140。