卷积神经网络详解（上）

卷积层

卷积操作就是用卷积后得到的图组数据重构输入图像，然后作为后续输入 我们得到一些数据，作为网络的输入，在CNN中有滤波器，现在我们假设只有一个滤波器，如图所示

这些滤波器空间维度很小，但是它的深度一定要覆盖输入数据的深度。我们用这个滤波器来和输入图像做卷积运算，卷积运算就是指这个滤波器要在图像的空域范围内全部位置滑动，而且在每一个位置滤波器和图像做点乘。滤波器是我们要学习的。表示为w。

当滤波器在输入数据滑动结束后得到的结果，称为激活图。激活图给出了在每个空间位置处滤波器的反应。将55的滤波器在3232的输入数据上滑动，我们得到28*28的激活图，指示滤波器在输入数据移动的所有位置

实际上，我们会设置多个滤波器，这些滤波器之间互不干扰。假设我们有6个滤波器，那么最终会得到6个激活图

如何根据滤波器大小和步长确定激活图的大小呢，下面给出了例子

有时候为了得到与原图像相同大小的激活图(一般在卷积层不会改变原来图像的大小)，需要在原图像四周补0，补0的方法如下

总结

池化层

• 下采样使表达变小而且更可管理
• 独立操作每个激活映射 常见的池化方法为最大池化 总结

全连接层

全连接层负责计算各类得分