假设你有 5 个大小为 7×7、边界值为 0 的卷积核，同时卷积神经网络第一层的深度为 1。
此时如果你向这一层传入一个维度为 224x224x3 的数据，那么神经网络下一层所接收到的数据维度是（ ）。
A．218*218*5
B．217*217*8
C．217*217*3
D．220*220*5
在进行深度学习训练时，优化器会对模型的参数进行优化，以寻找到一组最优解。一个简单的卷积神经网络，可以分为卷积池化层和全连接层，全连接层中的参数可以用神经元连接的权重W来表示，而卷积层的参数往往是用卷积核参数来表示。
2D卷积
卷积神经网络（Convolutional Neural Network，CNN）
卷积
神经网络不再对每个像素信息做处理，而是对图片每一小块像素区域做处理，这种做法加强了信息的连续性。神经网络能够看到一个图形而不是一个点，同时加深神经网络对图片的理解。
具体：批量过滤器在图片上滚动收集图片上的信息，每一次收集的都是像素区域，再整理总结，再滚动收集……
图像拥有长宽高，其中高表示图片的颜色信息黑白高度1 彩色高度3
批量过滤器，每次长宽压缩，高度增加，对输入图片更深的理解
convolution卷积层：主要作用是保留图片的特征
pooling池化层：主要作用是把数据降维，可以有效的避免过拟合
Full connected 全连接层：根据不同任务输出我们想要的结果
classifier 分类预测
卷积核（滤波器，convolution kernel）
是可以用来提取特征的图像和卷积核卷积，就可以得到特征值，就是destination value特征提取。
卷积核放在神经网络里，就代表对应的权重（weight)
卷积核和图像点乘（dot product),就代表卷积核里的权重单独对相应位置的Pixel作用
卷积运算方式及各部分介绍
从左到右，每隔x列Pixel，向右移动一次卷积核进行卷积,当已经到最右,从上到下，每隔x行pixel，向下移动一次卷积核，移动完成，再继续如上所述，即先从左到右，再从上到下，直到所有pixels都被卷积核过一遍，则完成输入图片的第一层卷积层的特征提取。
这里的x叫作stride,就是步长，如果x = 2,就是相当每隔两行或者两列进行卷积。
补0（zero padding）
分量的pixel外面围一圈0，称之为补0（zero padding），同样是stride x=1的情况下，补0比原来没有添0的情况下进行卷积，从左到右，从上到下都多赚了2次卷积，这样第一层卷积层输出的特征图（feature map）仍然为5×5，和输入图片的大小一致，而没有添0的第一层卷积层输出特征图大小为3×3。
优点：
获得的更多更细致的特征信息，如获得更多的图像边缘信息。
控制卷积层输出的特征图的size，从而达到控制网络结构的作用，如果没有做zero-padding第二层卷积层的卷积核是3×3,那么第二层卷积层输出的特征图就是1×1。
池化（Pooling）
Pooling 层主要的作用是下采样，通过去掉 Feature Map 中不重要的样本，进一步减少参数数量。
通常情况下，池化区域是2*2大小，然后按一定规则转换成相应的值，例如取这个池化区域内的最大值（max-pooling）、平均值（mean-pooling）等，以这个值作为结果的像素值。
最大池化（max-pooling）保留了每一小块内的最大值，也就是相当于保留了这一块最佳的匹配结果（因为值越接近1表示匹配越好）。也就是说，它不会具体关注窗口内到底是哪一个地方匹配了，而只关注是不是有某个地方匹配上了。
除了 Max Pooing 之外，常用的还有 Average Pooling ——取各样本的平均值。
对于深度为D的 Feature Map，各层独立做 Pooling，因此 Pooling 后的深度仍然为D。
通过加入池化层，图像缩小了，能很大程度上减少计算量，降低机器负载。
激活函数RelU (Rectified Linear Units)
常用的激活函数有sigmoid、tanh、relu等等，前两者sigmoid/tanh比较常见于全连接层，后者ReLU常见于卷积层。激活函数的作用是用来加入非线性因素，把卷积层输出结果做非线性映射。
在卷积神经网络中，激活函数一般使用ReLU(The Rectified Linear Unit，修正线性单元)，它的特点是收敛快，求梯度简单。计算公式也很简单，max(0,T)，即对于输入的负值，输出全为0，对于正值，则原样输出。
全连接层(Fully connected layers)
全连接层在整个卷积神经网络中起到“分类器”的作用，即通过卷积、激活函数、池化等深度网络后，再经过全连接层对结果进行识别分类。
卷积层的计算细节
卷积层尺寸的计算原理
○输入矩阵格式：四个维度，依次为：样本数、图像高度、图像宽度、图像通道数
○输出矩阵格式：与输出矩阵的维度顺序和含义相同，但是后三个维度（图像高度、图像宽度、图像通道数）的尺寸发生变化。
○权重矩阵（卷积核）格式：同样是四个维度，但维度的含义与上面两者都不同，为：卷积核高度、卷积核宽度、输入通道数、输出通道数（卷积核个数）
◎输入矩阵、权重矩阵、输出矩阵这三者之间的相互决定关系
卷积核的输入通道数（in depth）由输入矩阵的通道数所决定。（红色标注）
输出矩阵的通道数（out depth）由卷积核的输出通道数所决定。（绿色标注）
输出矩阵的高度和宽度（height, width）这两个维度的尺寸由输入矩阵、卷积核、扫描方式所共同决定。计算公式如下。（蓝色标注）
- 注：以下计算演示均省略掉了 Bias ，严格来说其实每个卷积核都还有一个 Bias 参数。
标准卷积计算举例
以 AlexNet 模型的第一个卷积层为例，
- 输入图片的尺寸统一为 227 x 227 x 3 （高度 x 宽度 x 颜色通道数），
- 本层一共具有96个卷积核，
- 每个卷积核的尺寸都是 11 x 11 x 3。
- 已知 stride = 4， padding = 0，
- 假设 batch_size = 256，
- 则输出矩阵的高度/宽度为 (227 – 11) / 4 + 1 = 55
125jz网原创文章。发布者：江山如画，转载请注明出处：http://www.125jz.com/11125.html
微信扫一扫 
支付宝扫一扫
评论列表（2条）
在 CNN 中使用 1×1 卷积时，下列哪一项是正确的（ D）。
A. 它可以帮助降低维数
B. 可以用于特征池
C. 由于小的内核大小，它会减少过拟合
D. 都正确
答案为A