（七）卷积神经网络（原理）

一般框架

卷积->激活->池化->全连接层

其中卷积、激活、池化组合用于提取特征，全连接层用于得到最终结果进行分类

基本结构

输入层

卷积层CONV

卷积的目的是提取输入的不同特征

卷积核（filter/kernel）：对输入图像中一定大小的部分进行遍历，同一卷积核中的数据与该卷积核的权值相乘累加，得到1个数据。卷积核的行和列一般为奇数，方便于定位

步长（stride）：卷积核在图片上一次移动的距离

填充（padding）：由于卷积后得到的数据尺寸会缩小，所以对图像边缘进行填充一圈0再卷积，使得图像维度保持不变，同时由于卷积时图像边缘的特征只被注意到一次，填充后可以更好地收集到边缘的特征

激活层RELU

 池化层Pooling

 

 全连接层FC

        使用多个参数不同的卷积核卷积得到的多个特征图，将特征图打平展开，拼接成一维向量，作为全连接层的输入

        例如打平得到的一维向量为80*1的大小，那么则有80个神经元，而输出层的神经元个数即为需要得到的目标的个数，比如二分类，即为2个神经元，那么就构建起全连接层，得到输出结果，一般对于输出通过softmax函数得出分类的概率

        得到的输出结果和样本标签的对比，得到损失函数，进而进行反向传播，对各种参数进行调整，更新网络权重