stride滑动步长是经验之谈
7x7的选择3x3的filter,当stride为2的时候输出为3x3
为了利用边缘信息,需要填充Pad如图。
计算公式(不知道怎么插入公式)
例如
输入32x32x3,用10个filter,滑动步长为1,填充pad为2
带入计算公式算的out为32x32,又有10个filter,于是输出32x32x10
权值共享
特征图由10个32x32x1的特征图组成,即每个特征图上有1024个神经元,每个神经元对应输入图像上一块5x5x3的区域,即一个神经元和输入图像的这块区域有75个连接,即75个权值参数,则共有75x1024x10=768000个权值参数,这是非常复杂的,且每个特征图都是由同一个filter滑出来的,因此卷积神经网络引入“权值”共享原则,即一个特征图上每个神经元对应的75个权值参数被每个神经元共享,这样则只需75x10=750个权值参数,而每个特征图的阈值(b)也共享,即需要10个阈值(b),则总共需要750+10=760个参数。
池化层又称为下采样,是针对特征图的操作
是一个压缩的操作
分两种模式,mean pooling和max pooling,都非常简单,没有权重参数,例max pooling