什麼是卷積？卷積（或內積）就是一種先把對應位置相乘再把結果相加的運算。
卷積運算可以增強訊號特徵，降低雜訊。
sobel運算元：
sobel運算元包含兩組3x3的矩陣，分別沿橫向和縱向與圖象做平面卷積，分別得出橫向和縱向的亮度差分近似值。如果a代表圖象，gx和gy分別代表經橫向和縱向做邊緣檢測的圖象，公式如下：
卷積神經網路
一張32x32的圖象，輸入卷積層（c1），得到8個28x28的特徵映像；
每個特徵映像，經過子抽樣層（s2），得到14x14的特徵映像；
每個特徵映像，經過卷積層（c3），得到20個10x10的特徵映像；
每個特徵映像，經過子抽樣層（s4），得到20個5x5的特徵映像；
每個特徵映像，輸入卷積層（c5），得到輸出結果
c5的輸出結果，經過全連線層，得到最終結果
s是子抽樣和區域性平均層。
人工神經元模型
神經元數學模型
新增了啟用層和池化層的卷積神經網路
pool層，即池化層，和子抽樣層一樣，進行子抽樣再求區域性平均。池化層沒有引數，作用是降維，將輸入切分成不重疊的nxn區域，對每個區域的值進行計算，計算方法可以是求平均、取最大max等。假設n=2，則計算4個輸入值得到乙個輸出值，得到的輸出影象為原影象的1/4。
如果把二維的層展平成一維，則可再連線乙個全連線層。
卷積層的作用是提取特徵
池化層的作用是減小特徵圖，降低維度
神經網路 卷積神經網路
這篇卷積神經網路是前面介紹的多層神經網路的進一步深入，它將深度學習的思想引入到了神經網路當中，通過卷積運算來由淺入深的提取影象的不同層次的特徵，而利用神經網路的訓練過程讓整個網路自動調節卷積核的引數，從而無監督的產生了最適合的分類特徵。這個概括可能有點抽象，我盡量在下面描述細緻一些，但如果要更深入了...
神經網路 卷積神經網路
1.卷積神經網路概覽 來自吳恩達課上一張，通過對應位置相乘求和，我們從左邊矩陣得到了右邊矩陣，邊緣是白色寬條，當畫素大一些時候，邊緣就會變細。觀察卷積核，左邊一列權重高，右邊一列權重低。輸入，左邊的部分明亮，右邊的部分灰暗。這個學到的邊緣是權重大的寬條 都是30 表示是由亮向暗過渡，下面這個圖左邊暗...
卷積神經網路 有趣的卷積神經網路
一 前言 最近一直在研究深度學習，聯想起之前所學，感嘆數學是一門樸素而神奇的科學。f g m1 m2 r 萬有引力描述了宇宙星河運轉的規律，e mc 描述了恆星發光的奧秘，v h d哈勃定律描述了宇宙膨脹的奧秘，自然界的大部分現象和規律都可以用數學函式來描述，也就是可以求得乙個函式。神經網路 簡單又...