卷积、池化与舍弃（4）

卷积：

• 卷积可以被看作一种有效提取图像特征的方法
• 一般会使用一个正方形的卷积核，遍历图片上的每个点。图片区域内，相对应的每一个像素值，都要诚意卷积核内相对应的权重并求和，在加上相应的权重值。
• 输出图片边长 = (输入边长-kernel边长 + 1) / 步长
• padding：对输入图片进行全0填充，以得到相同大小的输出图片的尺寸。
  padding = ‘SAME’ padding = ‘VALID’

tf.nn.conv2d(input[batch(一次输入的图片数目), resolution ratio, resolution rate, channel],
 kernel[resolution ratio, resolution ratio , channel, kernel number],
 核滑动步长[1(固定),横向滑动步长,列滑动步长1(固定)],
 padding = 'VALID'
 #padding = 'SAME';)

池化：

• 值化用于减少特征数量：提取最大值

tf.nn.max_pool(输入描述，池化核描述，池化核滑动步长，padding = ‘SAME’)

• 最大值化可以提取图片纹理，均值池化可以保留背景特征：提取平均值

tf.nn.avg_pool(描述同上)

舍弃

• 在神经网络训练过程中，将一部分神经元按照一定概率从神经网络中暂时舍弃。使用时被舍弃的神经元恢复链接。

tf.nn.dropout(上层输出,暂时舍弃的概率）