[深度学习笔记][CNN/GCN]卷积神经网络基础

注：这是写给自己看的学习笔记，如有错误敬请指出。

1.卷积神经网络的结构

由四层构成，分别为：输入、卷积、池化、输出层。

 2.卷积神经网络的形象理解

2.1卷积层的形象理解

卷积层的目的实际上是进行特征的提取。

在卷积层(convention layer)中，使用一个过滤器（kernel）去扫描一个图像，这个过滤器的参数是需要学习的。过滤器与图像进行卷积并滑动，会生成这个图像的特征映射(feature map)。

此处可以深究的问题是：如何选取合适的过滤器、如何确定过滤器的大小等。（书中说一般是5*5）

过程如下图所示：

2.2池化层的形象理解

对于一个N*N的图像以及一个M*M的卷积核，卷积完成后的特征映射大小为：（N-M+1）*（N-M+1）。

因此要进行信息的压缩，这就是池化层的简单意义。

此处可以深究的问题是：使用什么池化方式（如著名的最大池化：选择池化区域中最大的作为池化输出），池化区域的大小是怎么划分的（一般是2*2生成1这样进行池化，信息会被压缩成原来的1/4）。

池化完毕后就送到输出层进行输出了。

过程如下图所示：

 

3.卷积神经网络的公式

3.1符号说明

3.2 输入层的公式

1.输入：为图像的像素值,对于N*N大小的图来说，

2.输出：设输入层 I 的第i行j列的神经单元输出为。

3.则有：=， 即此层不进行任何操作，直接输出。

 

3.3卷积层的公式

对于编号为k的过滤器，我们计算他的卷积层的输出。 书上似乎说，一个过滤器对应一个卷积层和一个池化层。

1.输入：来自输入层，其实就是图像的像素值,对