這是一篇關于CNN入門知識的部落格，基本手法是抄、删、改、查，就算是自己的一個筆記吧，以後忘了多看看。 1.邊界檢測示例
假如你有一張如下的圖像，你想讓計算機搞清楚圖像上有什麼物體，你可以做的事情是檢測圖像的垂直邊緣和水準邊緣。
卷積計算可以得到圖像的邊緣，下圖0表示圖像暗色區域，10為圖像比較亮的區域，同樣用一個3*3過濾器，對圖像進行卷積，得到的圖像中間亮，兩邊暗，亮色區域就對應圖像邊緣。
通過以下的水準過濾器和垂直過濾器，可以實作圖像水準和垂直邊緣檢測：
在卷積神經網絡中把這些過濾器當成我們要學習的參數，卷積神經網絡訓練的目标就是去了解過濾器的參數。 常用的過濾器：
2. padding
在上部分中，通過一個3*3的過濾器來對6*6的圖像進行卷積，得到了一幅4*4的圖像，假設輸出圖像大小為n*n與過濾器大小為f*f，輸出圖像大小則為(n−f+1)∗(n−f+1)
這樣做卷積運算的缺點是，卷積圖像的大小會不斷縮小，另外圖像的左上角的元素隻被一個輸出所使用，是以在圖像邊緣的像素在輸出中采用較少，也就意味着你丢掉了很多圖像邊緣的資訊，為了解決這兩個問題，就引入了padding操作，也就是在圖像卷積操作之前，沿着圖像邊緣用0進行圖像填充。
對于3*3的過濾器，我們填充寬度為1時（加了一圈），就可以保證輸出圖像和輸入圖像一樣大。6+1+1-3+1=6：
same padding 在平面外部補0 若且步長是1的話圖檔大小與原來相同。
valid padding不會超出平面外部。是以比原來圖檔要小
池化層是在卷積層之後的，會降維，減少特征數 3.卷積步長
卷積步長是指過濾器在圖像上滑動的距離，上兩部分步長都預設為1，如果卷積步長為2，卷積運算過程為：
4.彩色圖像的卷積
以上講述的卷積都是灰階圖像的，如果想要在RGB圖像上進行卷積，過濾器的大小不在是3*3而是有3*3*3，最後的3對應為通道數（channels），卷積生成圖像中每個像素值為3*3*3過濾器對應位置和圖像對應位置相乘累加，過濾器依次在RGB圖像上滑動，最終生成圖像大小為4*4。
另外一個問題是，如果我們在不僅僅在圖像總檢測一種類型的特征，而是要同時檢測垂直邊緣、水準邊緣、45度邊緣等等，也就是多個過濾器的問題。如果有兩個過濾器，最終生成圖像為4*4*2的立方體，這裡的2來源于我們采用了兩個過濾器。如果有10個過濾器那麼輸出圖像就是4*4*10的立方體。
5.單層卷積網絡
通過上一節的講述，圖像通過兩個過濾器得到了兩個4*4的矩陣，在兩個矩陣上分别加入偏差b1和b2,然後對加入偏差的矩陣做非線性的Relu變換，得到一個新的4*4矩陣，這就是單層卷積網絡的完整計算過程。用公式表示：
如果有10個過濾器參數個數有多少個呢？
--每個過濾器都有3*3*3+1=28個參數，3*3*3為過濾器大小，1是偏差系數，10個過濾器參數個數就是28*10=280個。不論輸入圖像大小參數個數是不會發生改變的
第L-1層:輸入圖形通道數=輸入圖像的層數=過濾器層數
第L層：輸出圖像通道數=過濾器個數=第L+1層輸入圖像層數...（不管輸入和過濾層多少層，圖像輸入與每個過濾器卷積過後都是一層矩陣，影響輸出層數的隻有過濾器的個數） 6.簡單磁碟區積網絡示例
卷積神經網絡層的類型：
⦁ 卷積層(convolution,conv)
⦁ 池化層(pooling,pool)
⦁ 全連接配接層(Fully connected,FC) 7.池化層
最大池化（Max pooling）
最大池化思想很簡單，以下圖為例，把4*4的圖像分割成4個不同的區域，然後輸出每個區域的最大值，這就是最大池化所做的事情。其實這裡我們選擇了2*2的過濾器，步長為2。在一幅真正的圖像中提取最大值可能意味着提取了某些特定特征，比如垂直邊緣、一隻眼睛等等
以下是一個過濾器大小為3*3，步長為1的池化過程，具體計算和上面相同，最大池化中輸出圖像的大小計算方式和卷積網絡中計算方法一緻，如果有多個通道需要做池化操作，那麼就分通道計算池化操作。
平均池化和最大池化唯一的不同是，它計算的是區域内的平均值而最大池化計算的是最大值。在日常應用使用最多的還是最大池化。
池化的超參數：步長、過濾器大小、池化類型最大池化or平均池化 8.卷積神經網絡示例
以下是一個完整的卷積神經網絡，用于手寫字識别，這并不是一個LeNet-5網絡，但是設計令該來自于LeNet-5。
網絡各層參數個數表：
博文借鑒：https://blog.csdn.net/ice_actor/article/details/78648780
轉載于:https://www.cnblogs.com/yh-blog/p/10052543.html