【机器学习】单层卷积网络理解

Summary Of notation

If layer l is a convolution layer
f^[l] = filter过滤器 （有的也称kernel 核）
p^[l] = padding
s^[l] = stride步长
n_c^[l] = number of filter (也是输出图片通道数量)
Each filter is : f^[l]×f^[l]×n_c^[l-1](H×W×输入图片通道数)
Activation(激活值): a^[l] -> n_H^[l]× n_w^[l] × n_c^[l] （激活值也是激活函数变换后的值）
Weight（权重）: f^[l]×f^[l]×n_c^[l-1]×n_c^[l]
bias（偏差）: 通常会用向量 1×1×1×n_c^[l]

Input ：n^[l-1]×n^[l-1]×n_c^[l-1]

Output： n^[l]×n^[l]×n_c^[l]

输出图片长宽像素值 ： n^[l] =（ n^[l-1]+2p^[l]- f^[l]）/s^[l] + 1

输出图片通道数:n_c^[l]=使用filter的数量