建設畳み込みニューラルネットワークは、主層と完全に接続された層をプールし、異なるネットワーク層の三種類、それぞれ畳み込み層を含みます。次の3つの領域のために解釈されます。
畳み込み層
畳み込み層を導入する前に、我々は最初のウィンドウの概念を理解する必要があります。我々は、ネットワーク・コンピューティングにある場合、我々は、窓を通ってトラバースする方法を採用しました。私たちは、以下の4 * 4行列で、画像はピクセルで構成されていることを知って、我々は最初の3つのRGBチャンネルの場合を考慮していません。次の行列はチャネルを意味します。
| 1 | 2 | 1 | 1 |
| 4 | 5 | 1 | 1 |
| 1 | 1 | 1 | 1 |
| 1 | 1 | 1 | 11 |
その後、我々は3 * 3の行列として、窓（フィルター）ことを前提としています。これは、縦線を検出するための一般的なウィンドウです。
| 1 | 0 | -1 |
| 1 | 0 | -1 |
| 1 | 0 | -1 |
場合の計算は、我々は、それぞれ右上の画像マトリクス9、、デジタル乗算累積ウィンドウの数を取ります。ここでの結果は、= 3 1-1-1-1 + 1 + 4であり、結果は以下の行列として表現されます。
| 3 | 6 |
| 3 | -6 |
ここでは、単純な計算を行いました。
パディングとストライド前進を埋める：次に、我々はより多くの複雑な概念を導入しました。
充填
我々は上記の計算により、我々は、一度使用行列の左上隅のデジタル画像ことを確認することができ、そのようなセンターの数は、5人の4倍を費やしてきました。この問題を解決するために、我々は、充填の方法をご紹介します。元の画像の周りのパディング。= 1の場合のパディング。
| 0 | 0 | 0 | 0 | 0 | 0 |
| 0 | 1 | 2 | 1 | 1 | 0 |
| 0 | 4 | 5 | 1 | 1 | 0 |
| 0 | 1 | 1 | 1 | 1 | 0 |
| 0 | 1 | 1 | 1 | 11 | 0 |
| 0 | 0 | 0 | 0 | 0 | 0 |
他はまったく同じサイズの行列の出力画像を作成することで、元の行列と同じであり、一般的な詰め物は、2つのモード1が対処していないこと、有効であるがあります。この時、P =（F-1）/ 2
ストライド
私達はちょうどたびに、グリッドで右に移動しました。時には、我々はこれをしたいので、ストライドの概念を導入していません。すなわち、窓の動き当たりのセル数。すなわち、上記の計算がストライドです。
注意
実際には、上記の計算は、数学的に畳み込みが、相互相関はありません。本当の畳み込みは、元の画像の行列の後に反転逆さまほどかかり、その後、計算を入力してください。しかし、これは、ほとんどのニューラルネットワークは、これを懸念されていない、私たちのニューラルネットワークに影響を与える影響はありません。
コンボリューション窓層は、垂直方向のエッジを検出するために、我々はエッジのような同じ発現レベルの機能を推測することができ、価値が精査、上記の例です。デジタルフィルタは、ネットワークの当社の実際のパラメータとして存在します。
ウィンドウサイズは、通常、一方ではウィンドウは中心を有するように奇数であり、他方はパディングのサイズを決定することを促進するためです。
チャネルの上記の例は、一般的な画像のRGBチャンネルである3であり、フィルタは、画像ウィンドウのチャネルの大きさが同じです。
第二に、プーリング層
細胞層と畳み込みの異なる層とき、それは、同じ機能の多くを見つけることができます。共通のプーリング層maxと平均2種類。プーリング層にも窓がありますが、それは移動するプロセスである、我々は最大値や平均画像行列を計算します。
プーリング層のストライドと概念が均等に満たされました。さらにここでは詳しく述べません。
我々は、細胞層のフィルタ（AMX）の最大サイズは、2×2 = 2 Sと仮定してから独自の画像マトリクスの結果は次のように計算されます。
| 5 | 1 |
| 1 | 11 |
三、完全に接続された層
この効果は、1次元ベクトルにニューラルネットワーク層、すなわち、高次元画像を平坦に類似しており、その後、次の計算を計算します。
多くの方法で一次元画像に高次元ベクトル、一つの方法は、畳み込み層を使用することで別の方法は、ダイレクトデジタル平坦化され、* 1です。
第四に、活性化関数
実際には、それぞれのプロセスは、すべての活性化関数であると述べました。我々は層の畳み込みによって、このような2×2行列を取得すると、この数はWとAとBを加えた定数と乗算され、その後、次のレベルに続くrelu活性化機能など、取ります。
第五に、なぜ畳み込みニューラルネットワーク効果的？
ここでは2つの主な理由があります。
1.パラメータ共有、我々は、画像内の同様の特徴を見つけることは非常に有効である画像の様々な部分を計算するために使用されるフィルタパラメータを見ることができます。
2.接続は、スパース、各層の出力のみ防止が大きな助けのためのオーバーフィッティングパラメータの非常に小さな数に依存します。