day6-卷积神经网络基础

内容包括：

1. 卷积

• 1. 二维卷积
• 2. 特征图和感受野
• 3. 填充和步幅
• 4.多输入通道和多输出通道

2. 池化
3. 平均池化
4. 最大池化

卷积

二维卷积

image

步骤：
卷积核和矩阵点乘再求和，滑动卷积核再重复上述步骤

特征图和感受野

特征图：卷积输出的矩阵叫特征图
感受野：影响元素的前向计算的所有可能输入区域（可能大于输入的实际尺寸）叫做的感受野（receptive field）

填充和步幅

由于卷积是会把原矩阵的大小变小的，因此为了维持矩阵大小不变，可以采用上下左右填充，例如填充0，并且卷积核滑动时，步幅不一定是1，也可以是其他值

多输入通道和多输出通道

输入的矩阵可能是多通道的，如RGB三通道图像，二维卷积可以对三个通道分别卷积再求和，得到一个单通道的矩阵，但是卷积核可以有很多个，因此有n个卷积核，输出矩阵就有n个通道

1*1卷积层
减小通道数量，等价于一个全连接层

总结

卷积层可以捕捉局部信息
参数共享减少参数量

池化层

最大池化：一个二维矩阵分成若干份，每一份取出最大值
平均池化：一个二维矩阵分成若干份，求出平均值