CNN卷积神经网络之卷积

CNN
主要是做特征提取
卷积：具体实现方法，是利用卷积核与遍历图形块(对应元素相乘，再求和)，得到输出（包含原图像块所有信息），即根据权重大小(卷积核)达到特征提取效果，得到的通道数(为特征维度)

卷积：

3*3的图像卷积后图像尺寸都减去2
RGB，则为3通道卷积，则要有3个卷积核，得到3个输出，再做加法(正好类似是三通道摞起来)

若最后输出需要m个通道：

小结：一个卷积核的通道数n是由输入图像通道数决定的，而需要多少个卷积核m是由我们实际需要来决定的。

补充几个常见参数，
Padding：为了使图像卷积后大小不变，再原图像55外围填充一圈，填到7圈，再于33核卷积，得到的还是5*5

Padding = 1

Stride (步长)：卷积核在遍历过程中隔一个步长进行遍历，stride = 1,(跳一格)
1：

2：

Max Pooling Layer(最大池化层)，主要是为了下采样
保留核内(默认2*2)最大值

一个简单的CNN：