卷积神经网络相关基本概念

 

1. 图片输入  （RGB三个色值通道） 900*600 的彩色图片用 （900*600*3）数组表示

2. 卷积：基于卷积核（小矩阵）在每层像素矩阵上按步长移动（左上到右下），扫到数与卷积核相对应位置数相乘再求和，全部扫完后得到一个新矩阵。

            #步长指卷积核每次移动几个格子，有横向和纵向。

            #卷积核里面的每个值就是我们要寻找（训练）的神经元参数（权重）。

1. Padding 操作：卷积后矩阵维度变少，为保持卷积后图像尺寸可在每次卷积之前给原矩阵外面包一层0（也可只在横向或只在纵向补）

2. 池化：卷积操作之后提取很多特征信息，相邻区域有相似特征信息，可以相互替代。（保留信息冗余，增加计算难度），池化是在一个小矩阵区域内，取该区域最大值或者平均值来代替该区域。相当于降维操作。

3. Flatten：指将多维矩阵拉开，变成一维向量表示。用于全连接层输入。

4. 全连接层：对第n层和n-1层，n-1层的任意一个节点都和第n层的所有节点有连接。

5. Dropout：指在网络的训练过程中，按照一定的概率将网络中的神经元丢弃，防止过拟合

            #过拟合：模型在训练集上表现很好却在测试集上变现较差。

 

•  64个（3*3）卷积核：一个卷积核扫完图片会生成一个新的矩阵，64个就生成64层。