高层API助你快速上手深度学习-课节三学习笔记：2-1分类任务介绍

输入的图片在计算机看来的是三维数据，三维分别是(C,H,W) 。其中C （channel通道）= 3 （RGB红绿蓝）H 代表输入图片的高度，W代表输入图片的宽度。

上图右侧的87%，达不到100%是因为有些特征是共享的，所以达不到百分之100。

 

上图中的y=w*x+b就是神经元里面的东西，其中x是输入，y是输出，b是一个常数（表示一个偏置），w是权重也就是卷积核里面的参数。

上图中是特征图长宽的计算公式，其中stride表示步长简写为sw表示横向的步长（也就是每次卷积核横向移动的距离），sh表示（横向移动完，开始第二行移动，第二行和第一行高相距的距离？差不多这个意识吧） ，k表示kernel卷积核，kw表示卷积核的宽，kh表示卷积核的高，f表示filter过滤器，fw是过滤器的宽，fh是过滤器的高，（卷积核和过滤器是指同一个东西，只是叫法不一样）。p表示padding填充。公式里面的Xw和Xh表示输入图像的宽和高。所以已知上图中的输入图像的h*w是3*3，卷积核大小是2*2，填充是0，通过计算得到特征图的大小为2*2

 上图是卷积的整个简要流程，一个三通道的输入图像经过一个三通道的卷积核，最终得到一个单通道的特征图。这是单通道的，下图是得到多通道的特征图，方法就是使用多个三通道的卷积核，每个三通道的卷积核会得到一个单通道特征图，将这些特征图放到一起就成了多通道的特征图。

https://aistudio.baidu.com/aistudio/education/lessonvideo/1033316  上图是在课节2-3 LeNet-5实战（中）里面的内容。

上图是池化优点