2-3卷积神经网络丨深度学习丨机器学习丨Python丨人工智能丨高等数学丨AI丨

卷积神经网络CNN 、卷积、池化、FC层

卷积作用是为了进行特征提取

一个卷积核相当于一个特征滤波器，提取一个特征。

CNN网络不断前后向的计算学习，一直在更新出合适的weights，也就是一直在更新卷积核们。卷积核在更新了，学习到的特征也就被更新了（因为卷积核的值（weights）变了，与上一层的map卷积计算的结果也就变了，得到的新map就也变了。对分类问题而言，对图像提取特征，再以合适的特征来判断它所属的类别。

总结：更新卷积核参数（weights），就相当于是一直在更新所提取到的图像特征，以得到可以把图像正确分类的最合适的特征们。

卷积层

input by 卷积核kernel 是对应位置和kernel权重相乘后相加，而非两个矩阵相乘

填充Padding

步长Stride：特征图大小会缩小1/s倍

计算公式

k: kernel

p: padding

多通道卷积：channel表示通道数，在RGB图像中channel=3

notice：图中一个卷积核2*2*2（C，H，W）有两个通道channel，注意是一个卷积核！！so 他是一个3D张量tensor

W：1*2*2*2（B,C,H,W）B代表卷积核的数量

下图右边表示RGB三通道，两个卷积核，kernel为3*3，两个卷积核输出两张特征图。

对应input通道与对应卷积核权重相乘相加后，三个通道的值最后相加，再加上偏置项bias即可得到特征图最终的数值。

虽然卷积核是一个3D张量，但是执行的是2D的卷积操作，卷积是在两个维度（rows，cols）行和列上执行，通常RGB图像卷积都是2D卷积操作，3D卷积常用于视频中，多出了一个时间维度

池化层

最大池化 max pooling

平均池化 average pooling

输出尺寸和卷积公式一致

K1=（6*1*5*5）六个卷积核，一个输入通道，卷积核大小5*5

features: 卷积、池化

classifier:全连接层，接受特征，输出分类