卷积核：每一个卷积核可以看做一个特征提取器，不同的卷积核负责提取不同的特征 卷积核左右有差异代表要提取一条竖线 卷积核上下有差异代表要提取一条横线
卷积核的个数如何确定？每一层的卷积核的个数都是相同的吗？
通常情况下，靠近输入的卷积层，譬如第一层卷积层，会找出一些共性的特征，如手写数字识别中第一层我们设定卷积核个数为5个，一般是找出诸如"横线"、“竖线”、“斜线”等共性特征，我们称之为basic feature，经过max pooling后，在第二层卷积层，设定卷积核个数为20个，可以找出一些相对复杂的特征，如“横折”、“左半圆”、“右半圆”等特征，越往后，卷积核设定的数目越多，越能体现label的特征就越细致，就越容易分类出来
池化：舍弃卷积之后的一些值 突出特征 减少计算量
先做卷积，设计叠加“input-Conv-feature_map-MaxPooing",通过不断的设计卷积核的尺寸（对应不同的特征）提取更多的特征。从而减少数据量和计算量。
做完Conv-MaxPooing后，把得到的结果“拍平”，丢到Flatten层，然后把Flatten层的output放到full connected Layer里，采用softmax对其进行分类。
卷积和全连接的关系 反向传播
卷积核的反向传播
卷积输入的反向传播
反向传播的两个目的：
一：计算损失相对于权重的偏导，用于更新权重
二：计算损失相对于输入数据的偏导，因为本层的输入就是上一次的输出，从而用于计算损失相对于上一层权重的偏导。
则需要计算卷积核中各值的偏导和卷积计算左值的偏导
卷积层用于提取特征 提取水分子中的H O
全连接层用于分类 确定权重 确定H个数是2 O个数是1
19万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
