卷积神经网络（Convolutional NN）（最近更新：2019/10/24）

文章目录

• 〇、写在前面
• 一、卷积神经网络（Convolutional NN）
• 3.1 卷积层（convolution layer）
• 3.1.1 卷积算法
• 3.1.1.1 符号说明
• 3.1.1.3 卷积算法
• 3.1.1.3 卷积的python实现
• 3.1.2 0填充（padding）
• 3.1.3 卷积步长（stride）
• 3.1.4 多通道图像卷积
• 3.1.5 卷积核
• 3.1.6 卷积的应用
• 3.2 池化层（pooling layer）
• 3.2.1 max pooling
• 3.2.2 average pooling
• 3.3 全连接层（full connected layer）
• 3.4 一个完整的卷积神经网络

〇、写在前面

参考资料：

1. 网易云课堂吴恩达深度学习
2. 《深度学习》花书
3. 深度学习应用开发，浙江大学城市学院，网易云课堂

一、卷积神经网络（Convolutional NN）

擅长处理图像

3.1 卷积层（convolution layer）

卷积运算的主要目的是使原信号特征增强,并降低噪音。

3.1.1 卷积算法

3.1.1.1 符号说明

3.1.1.3 卷积算法

首先看下面这个例子，给定一个$6\times6$6×6的图像，利用$3\times 3$3×3的过滤器（filter）来卷积计算得到$4\times4$4×4的图像。

对于一个$n\times n$n×n的图像，和$f\times f$f×f的filter，可以卷积得到一个$(n-f+1)\times (n-f+1)$(n−f+1)×(n−f+1)的图像。

3.1.1.3 卷积的python实现

3.1.2 0填充（padding）

显然在原始图像边缘点在卷积过程中被使用的次数较少，故可以在原始图像周围填充$\frac{f-1}{2}$2f−1​（通常f取奇数）层0像素，这样可以使得图像大小不变。

3.1.3 卷积步长（stride）

3.1.4 多通道图像卷积

另外，还可以使用多个filter，如

3.1.5 卷积核

卷积核可以作为参数学习得到。

3.1.6 卷积的应用

边缘检测

3.2 池化层（pooling layer）

降低网络训练参数及模型的过拟合程度。

3.2.1 max pooling

3.2.2 average pooling

3.3 全连接层（full connected layer）

这部分见第二章。

3.4 一个完整的卷积神经网络

可以看出一个完整的卷积神经网络是由输入层经过一系列的卷积-池化后再通过全连接层得到输出。