CNN原理和代码解读【未完待续】

 CNN 原理和代码解读

原理参见论文Notes on Convolutional Neural Networks

代码来自githup的Deep Learning的toolbox，

(一)卷积和pooling

包含了卷积，求和，加入偏置，经过非线性激励函数等过程

上图说明了获得一个输出maps的过程。蓝色的maps是输入；绿色的maps，是卷积后的结果；黄色的maps是输出。

先对输入层分别做卷积，注意对不同的输出map，卷积核不同，即不同的j，kij不同（不同的输入map，卷积核也不相同，即不同的i，kij不同。

权值共享，仅在对一个maps求卷积的时候（滑动卷积核时，卷积核相对于该maps位置变，但是权值未变）。注意这里的卷积层还加入了偏置，并经过一个而非线性激励函数输出（非线性激励函数不可以少，卷积运算实际也是一种线性运算，没有非线性激励函数，该网络是无法模拟一个非线性复杂函数的）。看一下代码是如何实现这一过程的。

<span style="background-color: rgb(204, 204, 255);">for j = 1 : net.layers{l}.outputmaps   %  for each output map
                %  create temp output map
                z = zeros(size(net.layers{l - 1}.a{l-1}) - [net.layers{l}.kernelsize - 1 net.layers{l}.kernelsize - 1 0]);
                %z = zeros(size(net.layers{l - 1}.a{1}) - [net.layers{l}.kernelsize - 1 net.layers{l}.kernelsize - 1 0]); %本层输出的map大小[x y num]x*y是map大小，num是样本的个数
                for i = 1 : inputmaps   %  for each inp