[toc]

1.概述

普通的神经网络如果用来处理图像的话需要大量的神经元

• 有些特征要比整张图像要小，神经元无需对整张图像进行运算即可发现特征
• 相同的特征会在不同的区域出现
• 可以通过subsample使图片变得更小，并不改变物体

2.组成

2.1 Convolution 卷积

2.1.1 灰度图

• 卷积结果如图所示：

• stride 为Filter移动的步长
• 每次卷积后的结果被称为feature map

2.1.2 彩色图

• filter变成一个立方体的核，与彩色图的通道数一致，然后进行空间的卷积

2.1.3 卷积与全连接的关系

• 卷积其实是全连接层去掉一些权值后的结果
• 即部分连接，不是全连接
• 权值共享，对于使用同一个核的部分权重是一样的

2.2 Max Pooling 池化

• 把卷积后的结果选择平均值或者最大值保留下来，实现subsample
• 具体把feature map分成几部分，可以自己选择参数

2.3 Flatten

• 把feature map变成一个向量

2.4 全连接

3. CNN的作用

• 由filter的输出来反推输入图像

• 由全连接层的输出来反推输入图像

• 由CNN输出来反推输入图像