卷積神經(jīng)網(wǎng)絡(luò)CNN 、卷積、池化、FC層

卷積作用是為了進(jìn)行特征提取

一個(gè)卷積核相當(dāng)于一個(gè)特征濾波器，提取一個(gè)特征。

CNN網(wǎng)絡(luò)不斷前后向的計(jì)算學(xué)習(xí)，一直在更新出合適的weights，也就是一直在更新卷積核們。卷積核在更新了，學(xué)習(xí)到的特征也就被更新了（因?yàn)榫矸e核的值（weights）變了，與上一層的map卷積計(jì)算的結(jié)果也就變了，得到的新map就也變了。對(duì)分類問題而言，對(duì)圖像提取特征，再以合適的特征來判斷它所屬的類別。

總結(jié)：更新卷積核參數(shù)（weights），就相當(dāng)于是一直在更新所提取到的圖像特征，以得到可以把圖像正確分類的最合適的特征們。

卷積層

input by 卷積核kernel 是對(duì)應(yīng)位置和kernel權(quán)重相乘后相加，而非兩個(gè)矩陣相乘

填充Padding

步長(zhǎng)Stride：特征圖大小會(huì)縮小1/s倍

計(jì)算公式

k: kernel

p: padding

多通道卷積：channel表示通道數(shù)，在RGB圖像中channel=3

notice：圖中一個(gè)卷積核2*2*2（C，H，W）有兩個(gè)通道channel，注意是一個(gè)卷積核?。o 他是一個(gè)3D張量tensor

W：1*2*2*2（B,C,H,W）B代表卷積核的數(shù)量

下圖右邊表示RGB三通道，兩個(gè)卷積核，kernel為3*3，兩個(gè)卷積核輸出兩張?zhí)卣鲌D。

對(duì)應(yīng)input通道與對(duì)應(yīng)卷積核權(quán)重相乘相加后，三個(gè)通道的值最后相加，再加上偏置項(xiàng)bias即可得到特征圖最終的數(shù)值。

雖然卷積核是一個(gè)3D張量，但是執(zhí)行的是2D的卷積操作，卷積是在兩個(gè)維度（rows，cols）行和列上執(zhí)行，通常RGB圖像卷積都是2D卷積操作，3D卷積常用于視頻中，多出了一個(gè)時(shí)間維度

池化層

最大池化 max pooling

平均池化 average pooling

輸出尺寸和卷積公式一致

K1=（6*1*5*5）六個(gè)卷積核，一個(gè)輸入通道，卷積核大小5*5

features: 卷積、池化

classifier:全連接層，接受特征，輸出分類