卷积层:与传统全连接层不同,卷积层中每一个节点的输入只是上一层神经网络的一小块。(试图将神经网络中的每一小块进行更加深入地分析从中得到抽象程度更高的特征)
在卷积层中:1.过滤器(filter)处理的节点矩阵的长和宽由人工指定;2.处理得到的单位节点矩阵的深度--过滤器的深度;
(过滤器的尺寸是指过滤器输入节点矩阵的大小;深度是指输出单位节点矩阵的深度)
在卷积层结构中的前向传播过程是通过一个过滤器从神经网络当前层的左上角移动到右下角,并且计算每一个对应的单位矩阵而得到的。
卷积层中过滤器前向传播过程实质就是为通过左侧小矩阵中的节点计算出右侧单位矩阵中节点的过程。
filter_weight = tf.get_variable('weights', [5,5,3,16], initializer = tf.truncated_normal_initializer(stddev=0.1)) #创建过滤器的权重变量和偏执项变量,声明一个 思维矩阵,前面俩维度代表过滤器的尺寸,第三 个维度表示当前层的深度,第四个维度表示过滤器的深度
biases = tf.get_variable('biases', [16], initializer= tf.constant_initializer(0.1))
conv &