卷积神经网络基础学习笔记

#卷积网络与传统网络的区别
传统神经网络：处理数据是一个像素点，是一个二维数据
卷积神经网络：处理数据为三维

#卷积神经网络
整体架构：输入层、卷积层、池化层、全连接层

##卷积的作用
处理过程：将原始处理图像分为若干个小区域，选择一种计算方法，对每个小区域计算其特征值，经过卷积之后得到一个特征图
计算过程：

filter w0（3×3×3）：表示每3×3个区域对应一个特征值，最后一个3对应与原始输入的个数，输入通道是多少，这里就对应多少；
bias b0：偏置量
特征图个数：最后得到的特征图个数取决于filter个数，即卷积核的个数
##多层卷积

6，10分别是卷积核的个数，卷积核个数决定输出特征图的c。
##卷积层涉及的参数

滑动窗口步长
对于结果的影响；步长越小，得到的特征越多，对于图像问题来说，一般都设置步长为1
卷积核大小
选择区域的大小，比如上面所涉及到的filter w0中所提到的3×3，卷积核越小，提取越细腻
边缘填充
边界点在卷积过程中，用到的次数比较少，为了使原始边界点在特征提取中能够更多的用到，给原始边界加一圈0，扩充图像尺寸，使之成为新的边界，加0之后对最终计算结果并未有影响，称之为zero padding。
卷积核个数
经过卷积想得到多少个特征图，就有多少个卷积核
##卷积结果计算公式
#池化层
下采样（压缩作用）：选择重要的留下，丢弃不重要的，这一层不涉及计算过程，只是做一个筛选

max pooling
划分成不同区域，选择每个区域最大的值
averge pooling
划分成不同区域，计算其平均值，不常用，其效果不如max pooling
#全连接层
前面的卷积和池化只是做到一个特征提取的作用，若是要做到分类或者分类，就得需要全连接层。
将特征图拉成一个特征向量，比如前面得到的最终特征图是32×32×10，这时候就把前面所涉及到的10240个向量做一个分类。