特征图

• 绿色的图是执行结果
• 可以有多种特征提取的方法，可以用多个卷积核
• 可以让特征更加丰富
• 得到6个特征图，得到比较丰富的特征

FILTER W0和W1的规格是相同的，在做计算的时候可以选择不同的卷积层，但是在同一个卷积层中必须是相同的

3*3*2

2表示的是输出结果的深度
3表示输出结果的深度和宽度

继续对别的区域做运算

step=2

把所有区域都滑动完成后，区域就做出来了，得到当前特征图的结果

选定指定大小计算内积

步长与卷积核大小对结果的影响

做一次卷积是不够的

卷积的结果是特征图

h*w*c

得到的特征图的深度是6，结果是由6个图叠加到一起的

• 卷积是一步一步做出来的。
• 卷积核的第三个值一定是和输出一摸一样的
• 在卷积中可以无限次进行堆叠

卷积神经网络中涉及的参数

• 滑动窗口的步长
  • 当步长小的时候，是慢慢的细腻的提取特征，得到丰富的特征
  • 选择步长的时候根据实际情况选择即可。一般为1
• 卷积核尺寸
  • 卷积核最小，越细腻的一种提取3*3

边缘填充方法

+pad1

pad:填充

• 原始输入数据的特点：有重合点
• 重合点对最终结果影响多
• 有些地方只会计算一次
• 越往边界的点被利用的次数越少
• 越在中间的点被利用的次数越多,公平吗？
• 希望边界点利用的多一点

0代替边界成为新边界

• 在旁边加一圈0

卷积核个数

• 最终要得到多少个特征图
• 如10，每个卷积核中的数值都是不一样的
• 随机初始化，进行各自初始化的更新

特征图尺寸计算与参数共享

卷积结果的计算公式

• 长度
• 宽度
• p 表示加几圈0

w1，h1表示输出的宽度长度，f表示卷积核长和宽的大小，S表示滑动窗口的步长，P表示边界的填充

• c表示的是channel
• p padding

经过卷积后，输出的规模不一定变小，输出结果是

32*32*10

10是从10个filter中来的

卷积参数共享

对于不同区域，卷积核中的值应该是不同的

数据使用图像，使用10个xx规模的filter来进行卷积操作，所需要的权重参数有多少个？

每一个位置都选择相同的卷积核

• 如何计算需要的权重参数个数
  • 每一个卷积核需要的参数，卷积核自身带有75个参数
  • 再乘以不同的卷积核的个数
  • 最后再加上每个卷积核对应的偏置参数b
• 最终得到需要的权重参数

比全连接网络的参数少的多，好训练！！！

池化层的作用

64表示得到64的特征图

池化层：做压缩的，下采样 downsampling

体积变成原来的四分之一倍

是要有选择性的压缩

在原始得到的特征基础上进行筛选。CHANNEL变了，但是长和宽不会发生改变。

MAX POOLING

选择不同区域，每个区域选择最大的值，只是做了一个筛选工作而已。

神经网络中大的值代表这个东西比较重要，只选大的，只挑比较重要的

• MAX POOLING的表现效果是最好的
• 这样就可以把区域变小的，没有涉及到任何矩阵的计算，只是一个筛选作用。

AVERAGE POOLING 不常用

• 只要最好的特征

整体网络架构

数一下网络有多少层

卷积层都会跟RELU函数搭在一起

• 两次卷积，一次池化，得到一个特征图
• 再卷积，再压缩，再池化
• 不断把所有家当都用上

如何对结果进行分类

想得到一个结果，还是需要一个全连接层

把之前提取出来的东西，拉成一个特征向量，很长，特征向量中的每一个东西都是一个值。【10240,5】，把10240个特征转换成5个类别的东西。

什么是一层？

• 带参数计算的才能称之为一层
  • CONV卷积层带参数 ，乘内积带参数b
  • relu层没有参数，表示的是激活层
  • POOL池化层，没有参数计算
  • FC全连接层需要进行参数计算

特征图的变化

转换：把长方体转换成一条向量

向量才能进入全连接层，最终得到分类的实际结果