CNN学习笔记
本文比较侧重细节，基本原理网络上其他文章阐述的很详细，不再赘述。
一、CNN卷积核的输出维度计算
本部分参考卷积核维度计算。
input feature map size =[HWC]，H为特征图高度，W为特征图宽度，WH为分辨率，C为通道数（灰度图为单通道，RGB为三通道，RGBD为四通道）；
filter size = [hw]，h为特征图高度，w为特征图宽度，F表示卷积核大小；
K：卷积核个数；
S：stride-步长；
P：padding。
1.卷积层
- 一般情况：zero padding&整除
- 非zero padding
- 非整除
向下取整，2.33->2。
卷积后深度变化
卷积后深度与卷积核的个数一致。 用7个3* 3的卷积核与RGB图像大小为（256,256,3）卷积，卷积后深度为7，卷积步长stride为1，填充padding为0，则卷积后图像大小及深度：254* 254* 7。其中每个卷积核同时与RGB图像的R、G、B三个通道做卷积。