提取區域性區域內的特徵
輸入（
輸出feature 長(寬)的計算：
區域性連線（對輸入的部分區域提取）：影象資料在空間上與距離較近的區域有關，與距離較遠的基本無關，所以神經元只需接受區域性輸入
權重共享（）： 有多個卷積核，每個生成乙個新的feature map（影象），新的feature map（圖形）上的每乙個畫素都來自同乙個卷積核。
每個卷積核提取不同的特徵，卷積核提取在影象不同位置上的特徵。
經啟用函式後，池化
啟用函式
池化：maxpooling取灰度值最大的畫素點（保留最主要的特徵），mean pooling 區域內特徵的平均值代表這個區域的特徵。why make function? 乙個區域內的特徵可能在另乙個區域同樣適用，對大的影象，對不同位置的特徵進行聚合統計。
卷積核kernel size越大，感受野越大，引數也多
對於1*1的卷積核，稀疏度不宜太高，作用：
進行資訊整合，跨通道pooling。
進行卷積核通道數的降維或公升維。
實現訊號復原，在全卷積網路(fcn)中，實現上取樣。
kernel size固定，padding=0，strid=1，輸入經conv 的輸出，再經deconv，獲得的輸出能與輸入大小相同。deconv 的輸入i，padding 同樣的size，單此處不叫padding。
對輸入補零，卷積核，先左右翻轉，再上下翻轉（即轉180度），轉置後的卷積核與補零的輸入卷積，即可得到輸出。
或，當卷積操作轉換為矩陣操作時，卷積核變卷積矩陣後，轉置，再與輸入矩陣卷積，即得輸出矩陣。
注：no padding： 將輸入補同樣size的0；
對於conv的stride>1時，deconv的輸入中間插零個數 = s - 1作為新的輸入;
eg： conv：i=5，k=3，s=2，p=1，out=3
deconv： i『=3，k=3，s=1，p=1，out=5
注：視覺化理解
卷積和反卷積
n image h 2 pad h kernel h stride h 1 image w 2 pad w kernel w stride w 1 image h 輸入影象的高度 image w 輸入影象的寬度 pad h 在輸入影象的高度方向兩邊各增加pad h個單位長度 因為有兩邊，所以乘以2 ...
膨脹卷積的缺點 卷積 反卷積與膨脹卷積
卷積 多 1 的對映 本質 在對輸入做9 1的對映關係時，保持了輸出相對於input中的位置性關係 對核矩陣做以下變形 卷積核的滑動步驟變成了卷積核矩陣的擴增 卷積的矩陣乘法變成以下形式 核矩陣重排，輸入featuremap變形為向量 反卷積 1 多 的對映 deconvlution transpo...
反卷積 轉置卷積
搞明白了卷積網路中所謂deconv到底是個什麼東西後，不寫下來怕又忘記，根據參考資料，加上我自己的理解，記錄在這篇部落格裡。第一次看到deconv這個詞，以為deconv的結果就是卷積的逆，覺得神奇，不禁產生了 哦？轉置的卷積就可以求逆了嗎？這樣的想法，然後在matlab裡面實驗求證，我還記得當時以...