学习记录：卷积神经网络———卷积与池化

卷积神经网络———简单记录卷积与池化

卷积神经网络是深度学习中最经典的模型之一。当今大多数的深度学习经典模型中都能找到卷积神经网络的影子。卷积和池化可以追溯到LeNet-5网络，这是由 Lecun等人于1998年所提出的，其中的卷积与池化操作这一概念，对后来的卷积神经网络的发展影响巨大。

它的网络结构主要包括卷积层、池化层和全连接层。

卷积

卷积分为窄卷积、全卷积和同卷积。但是在介绍卷积类别前，我们先了解关于卷积操作的基本概念。
以TensorFlow中的卷积函数为例
tf.nn.conv2d(input, filter, strides, padding, use_cudnn_on_gpu=None, name=None
其中

• input 为输入图像
• filter 为卷积操作中的卷积核（个人认为和滤波器差不多）
• strides 为卷积过程中每一维的步长
• piddng 定义卷积过程中元素边框与元素内容之间的空间，只能是SAME与VALID中的一个（这个今天不细讲，下次在写）。
• 后面的两个参数分别为是否使用cudnn加速，和名称

1 卷积核

卷积核就是一个NxM的矩阵，N和M是自己设定的，一般情况下为是相等的。类似于Sobel算子：