CNN神经网络

CNN神经网络

一、整体构架

1.输入层：
2.卷积层：
<1>卷积层做了什么：将图片分为每个小区域，每个区域得到的特征是不同的，选择一种权值计算方法，计算每个区域的特征值是多少。

<2>卷积特征值计算方法：每个区域的输入信息与权值矩阵w对应相乘得到该小区域的特征值，将RGB三通道全部计算后相加再加上bias偏移量后，得到每个区域对应的特征值。

<3>参数：
①滑动窗口步长：一般是1
步长越小，细致的提取特征，则提取的特征值就越多越丰富
步长越大，粗糙的提取特征，则提取的特征值就越少
②卷积核尺寸：一般是3x3
③边缘填充+pad1：填充0，一定程度上，弥补一些边界信息缺失的问题，使得边界特征能够充分利用
④卷积核个数：最终得到的特征图的个数，每个卷积核里面的值都不同
<4>卷积结果计算公式

<5>卷积参数共享：都用一套权值矩阵计算

3.池化层：压缩特征，在得到的特征图上进行筛选，特征值个数不会改变
①最大池化：选择最大的一个值保留下来

4.全连接层：对信息的激活映射后进行分类或输出，例如，将10240个特征值转化为预测的5个类别的概率值

转换：将三维图拉长为一个长的特征向量。