使用cnn處理影象的原因：
cnn組成舉例：經過若干convolution layers和max pooling layers，最後經過fully connected feedforward network
convolution layers中用設定的filter與image 的matrix做卷積，得到的值可以看出匹配度。如下圖的例子中，值為3的說明與對角線三個1比較接近。
filter的size決定了我們關心多大的子區域；每個filter都會對於乙個結果的矩陣。最終每個value都對應乙個filter。
rgb影象的每個filter都是3維的：
convolution是fully connected的簡化版。可以想象成將image矩陣拉直成一排（如6×
6→1×
36 6×6
→1×36
），有些神經元共享一些weight。
正是共享才大幅減少了引數數量。
max pooling：將matrix裡面的element分group。對每個group取max值。
經過convolution和max pooling之後，得到乙個更小的image。
flatten：經過若干次convolution和pooling後，得到的image規模已經很小，這時將每個channel的每個pixel排成一排，最後連到fully connected feedforward network即可。
《1。卷積神經網路》
1.簡述卷積的基本操作，並分析其與全連線層的區別 答 具有區域性連線和權值共享的特點。卷積操作能夠在輸出資料中大致保持輸入資料的結構資訊 2.在卷積神經網路中，如何計算各層的感受野大小？答 3.卷積層的輸出尺寸 參數量和計算量 答 輸出尺寸 1.簡述分組卷積及其應用場景 答 分組卷積就是將輸入通道和...
卷積神經網路學習1 卷積層
卷積神經網路常用於計算機視覺當中，應用在計算機視覺當中，就要面臨乙個挑戰，那就是輸入資料非常的大，假如輸入乙個1000 1000的，那麼他就有1000 1000 3 的rgb三通道 個資料，對於300w的資料量，那麼當我們第乙個隱藏層有1000個神經元進行全連線時，那麼將會有300w 1000個引數...
卷積神經網路 1 1 卷積核
卷積神經網路中卷積核的作用是提取影象更高維的特徵，乙個卷積核代表一種特徵提取方式，對應產生乙個特徵圖，卷積核的尺寸對應感受野的大小。經典的卷積示意圖如下 5 5的影象使用3 3的卷積核進行卷積，結果產生3 3 5 3 1 的特徵影象。卷積核的大小一般是 2n 1 2n 1 的奇數乘奇數大小 n 1 ...