卷积神经网络
1.卷积层（CONV）
特征图和原图的计算
原图：773
Filter的图333
步长1
结果（7-3）/1+1
公式：（原图高-Filter图高）/步长+1
长也是同样的方法
卷积函数
+pad1就是本来是55但是太小了不好卷积，就在外边加一层0
更好的利用便捷值
而且卷积后的特征图也是55
让输出的特征图不会越来越小
加完之后又用的值还是没加之前的值
如果加了一层0之后
输出特征图的计算公式
w-f+2pad）/s+1
输入图77
f图33
步长1
（7-3+21）/1+1=7
所以因为加了圈0，原图和输出图的大小一样了
f图和pad值设置的对应关系
当f图是33时，pad值是1
f图是55时，pad值是2
f图是77时，pad值是3
例：
input volume输入图：32323
有10个55 的filters
stride步长是1
pad增添层是2
输出图：
output volume size:(32+2*2-5)/1+1=32
spatially
所以结果为323210
2.池化层（Pooling layer）
池化操作的目的就是在卷积层给出的特征图上再次提取特征
输入就是输入的特征图
例：输入的特征图是22422464（64就是卷积层中f图及特征图的个数）
22422464 pool 11211264
下面两个例子都是f=2*2 s=2
a.池化层的计算方式——MAX POOLING（就是求一个区域的最大值）（比较常用）
例：特征图切片：Single depth slice =1
4*4
池化后
b.池化层的计算方式——AVG POOLING（求一个区域的平均值）
池化后
1+1+5+6）/4=3.25
2+4+7+8）/4=5.25
3+2+2+1）/4=2
1+0+3+4）/4=2
| 3.25 | 5.25 |
|---|---|
| 2 | 2 |