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

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 $6\times6$的图像，利用 $3\times 3$的过滤器（filter）来卷积计算得到 $4\times4$的图像。

对于一个 $n\times n$的图像，和 $f\times f$的filter，可以卷积得到一个 $(n-f+1)\times (n-f+1)$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 $\frac{f-1}{2}$（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。