卷积神经网络的理解

1 卷积

比如输入的是200* 200 * 3的图像咱们用5 * 5 * 3 * 48的卷积核组进行卷积

（总共有48个卷积核，48前头的3主要是和输入图像的三维想对应的）

此时咱们会得到200 * 200 * 48的矩阵

（这48个200*200的矩阵就是特征响应矩阵用来存储上边每个卷积核想要收集的纹理，比如第一个卷积核收集x方向的纹理）

综上所述：卷积后的矩阵就是用来存对应卷积核想要提取的特征信息

越往后的卷积层的卷积核提取的特征越复杂，比如刚开始两层可能提取的是的就是直线，圆弧啥的，而最后几层提取的坤宁宫就是人脸轮廓，胳膊轮廓啥的了

也可以这么理解就是把全连接前边的**卷积操作**当场一个复杂的卷积核组，它负责把输入图像卷积成256个（这个256是按上图说的真实情况不一定是多少）**特征响应图**

两个3*3的感受野和一个5*5的卷积核一样，但是运算量小了，非线性更强了

1.1 计算卷积后矩阵宽高（没有边界填充）

W2 =（W1 -F)/S +1
H2 =（H1 -F)/S +1

F——卷积核尺寸
S——卷积步长（stride）

1.2 计算卷积后矩阵宽高（有边界填充）

W2 =（W1 -F+2P)/S +1
H2 =（H1 -F+2P)/S +1

F——卷积核尺寸
S——卷积步长（stride）
P——边际填充

1.3 设计卷积核时候需要考虑的事

卷积核的宽高
是否采用边界填充
卷积步长
卷积核的个数

2 池化

作用：对每一个特征响应图独立进行（这点和卷积不一样），减低特征响应图组中每个特征响应图的宽度和高度，减少后续需要训练的参数数量，不仅可以降低训练资源的消耗，同时也可以控制过拟合

2.1 常见的池化操作

最大池化——使用区域内最大值代表这个区域（有点类似非极大化抑制可以保留最强的信息）
平均池化——使用区域内所有值的均值代表这个区域

2.2 池化层时候需要考虑的事

池化窗口
池化步长