卷积核,也可以理解成为一个过滤器,常用的有sobel算子
padding 卷积操作,是为了弥补在卷积过程中不断缩小的图像尺寸,以及补充边缘未被充分采样所造成的信息缺失的操作,故可以在原本的图像矩阵上加外面一层、两层、、、像素,从而可以使得每一个矩阵在进行每一层卷积过后的图像矩阵还和之前一样,还可以充分利用边缘信息。
stride也就是每次卷积核移动的间隔
一个三层cnn的结构
池化
最大池化:假如输入是一个4×4矩阵,用到的池化类型是最大池化(max pooling)。执行最大池化的树池是一个2×2矩阵。执行过程非常简单,把4×4的输入拆分成不同的区域,我把这个区域用不同颜色来标记。对于2×2的输出,输出的每个元素都是其对应颜色区域中的最大元素值。
**平均池化:**我简单介绍一下,这种运算顾名思义,选取的不是每个过滤器的最大值,而是平均值。
最大池化只是计算神经网络某一层的静态属性,没有什么需要学习的,它只是一个静态属性。
全连接层
它是一个标准的神经网络,它的权重矩阵为w,维度(l的参数,l-1的参数)。这就是所谓的“全连接”,还有一个偏差参数,最后输出l个参数。