卷积神经网络基础

卷积神经网络基础

1. 卷积神经网络（CNN）

2.全连接层

3.卷积层

（1）卷积核的channel与输入特征层的channel相同
（2）输出的特征矩阵channel与卷积核个数相同
（3）加上偏移量bias如何计算？输出特征矩阵每个元素直接加上bias
（4）加上激活函数该如何计算？
（5）卷积过程中出现越界如何处理？Padding
（6）在卷积操作过程中，矩阵经卷积操作后的尺寸由以下几个因素决定：
① 输入图片大小 W×W
② Filter大小F×F
③步长S
④padding的像素P
经卷积后的矩阵尺寸大小计算公式为：N = (W-F+2*P)/S+1

4.池化层

目的：对特征图进行稀疏处理，减少数据运算量
MaxPooling下采样层
AveragePooling下采样层
特点：没有训练参数
只改变特征矩阵的w和h，不改变channel
一般poolsize和stride相同

5.误差的计算