CNN学习简要总结

CNN网络架构一般是通过卷积层不断抽取特征，然后接全连接层

那么如何得到卷积层，是通过层与卷积核（Filter）进行卷积计算。卷积类似于向量内积，将卷积核的每一维与该层内对应维数据相乘相加，步长（stride）决定每次卷积计算完毕后，卷积核移动多少个数据单位，也决定卷积得到的下一个特征层的大小，如果想让特征图与原始输入的大小一致，就要在卷积之前在原始输入的四周填充数据，常见填充0

举一个简单的例子，方便理解原始输入——卷积核卷积——特征图大小的关系

5 * 5图片经过3 * 3卷积核（步长stride为2）得到2 * 2特征图（feature map）
因为原始输入可能有多个channel，所以卷积核也可以有多个channel

卷积核（Filter，也称为Convolution kernels），可以具体自己设计，不同的卷积核具有不同的作用，典型两种：

1. vertical line filter中间列为1，周围列为0，用来寻找原始图片在垂直方向变化的规律
2. Horizontal line filter中间行为1，周围行为0，用来寻找原始图片在水平方向变化的规律

使用不同的卷积核去对原始输入进行卷积，得到不同的特征图，相当于从不同的视角去审视图片，得到不同的结果

CNN是很经典也很重要的神经网络，在图像、视频处理等领域使用的很多，可以说是深度学习业人士必须要学习的，关于CNN的知识以后还要更深入地研究学习。