卷积神经网络

卷积神经网络

前言：

过滤器来提取特征，如垂直边缘，水平边缘和其它特征。

---

一、padding

不使用padding进行卷积将有两个缺点：

1、图像在每次识别边缘或其他特征时都缩小（输出缩小）。

2、角落边缘的像素只被一个输 出所触碰或者使用，而中间的像素点就会有许多 f×f 的区域与之重叠，所以那些在角落或者边缘区域的像 素点在输出中采用较少，丢掉了图像边缘位置的许多信息（图像边缘的大部分信息都丢失了）。

解决方法：在卷积操作之前填充这幅图像，可以用 0 去填充。

两种Padding（Valid 卷积和 Same 卷积）:

1、Valid 卷积意味着不填充，输出维度为(𝑛 − 𝑓 + 1) × (𝑛 − 𝑓 + 1)

2、Same 卷积的输出大小和输入大小是一样的，输出维度为(𝑛 + 2𝑝 − 𝑓 + 1) × (𝑛 + 2𝑝 − 𝑓 + 1)，式中𝑝 = (𝑓 − 1)/2，且𝑓是一个奇数。

（为什么f一般不是奇数？

1、若f为偶数，那么会出现左右padding不对称的现象。

2、奇数维过滤器，就会有一个中心点，便于指出过滤器的位置。

）

---

二、卷积步长（strid）

步幅为s

输出维度为：((𝑛+2𝑝−𝑓)/ 𝑠 + 1 )， (𝑛+2𝑝−𝑓)/ 𝑠 + 1)

若商不是一个整数，则向下取整⌊ ⌋，以免（𝑛+2𝑝−𝑓）/ 𝑠 不是整数。

---

三、三维卷积

图像的通道数必须和过滤器的通道数匹配

输出维度为（高度，宽度，过滤器数量）

输出的通道数（第三维过滤器数量）会等于你要检测的特征数。

---

四、单层卷积网络

对形成的一个卷积神经网络层，增加偏差，然后应用非线性函数，输出过滤器数量（nf）个矩阵，把这nf矩阵堆叠起来,最终得到一个 高度×宽度×nf 的矩阵