卷积神经网络笔记（三）

1，卷积核确定需要考虑的问题？
卷积核的尺寸，一般行数和列数相等，而且为了考虑填充padding，在周边补0，所以一般设置为奇数。卷积步长，一般设置为1，也可以设置为其他值。卷积核的值可以自定义，常见有sobel边缘算子矩阵和也可以初始化随机矩阵等。这个了解的不多。
2，卷积神经网络的核心思想？
就是通过自动学习的手段来得到各种 有用的卷积核值。卷积核代表了颜色特征，纹理特征，边缘等特征信息。所以一般设计为多层卷积，就是为了每层的卷积核负责提取不同的特征信息。
3，池化层原理？
特征图像的维数很高，维数高的话不仅计算耗时，而且容易导致过拟合。所以就引入了下采样技术，也称为池化操作。对图像的某一个区域用一个值代替，如取最大值或平均值，分别叫最大池化（因为非线性用的最多）和均值池化。来源于信号处理技术。池化带来的另一个好处是带来一定的平移旋转不变性，因为输出值由图像的一片区域计算得到，所以对小幅度的平移和旋转不敏感。