花书+吴恩达深度学习（十三）卷积神经网络 CNN 之运算过程（前向传播、反向传播）

目录

0. 前言

1. 单层卷积网络

2. 各参数维度

3. CNN 前向传播反向传播

---

如果这篇文章对你有一点小小的帮助，请给个关注，点个赞喔~我会非常开心的~

花书+吴恩达深度学习（十）卷积神经网络 CNN 之卷积层

花书+吴恩达深度学习（十一）卷积神经网络 CNN 之池化层

花书+吴恩达深度学习（十二）卷积神经网络 CNN 之全连接层

花书+吴恩达深度学习（十三）卷积神经网络 CNN 之运算过程（前向传播、反向传播）

花书+吴恩达深度学习（十四）卷积神经网络 CNN 之经典案例（LetNet-5, AlexNet, VGG-16, ResNet, Inception Network）

0. 前言

本篇文章主要介绍卷积神经网络的运算过程。

整体卷积神经网络的运算趋势，是行和列逐渐减小，通道数逐渐增加。

1. 单层卷积网络

此处以单个样本为例子。

1. 原始图像（上一层输出）作为  。
2. 每一个过滤器的参数叠加在一起，组成这一层的权重  。
3. 为每个过滤器加上偏差，组成偏差  ，在卷积之后的 2D 图像的每一个像素上加上偏差。
4. 通过激活函数  ，激活函数同样针对 2D 图像的每一个像素。
5. 则，每一个过滤器计算出来为 2D 图像，多个过滤器组合起来作为 3D 图像