1? 卷積網絡的核心是：可以約減不必要的權值連接，引入稀疏或局部連接，帶來權值共享策略大大地減少參數量相對的提升了數據量，從而可以避免過擬合； 具有平移不變性=魯棒性較好。 優勢：參數共享與稀疏連接，可以用更小的訓練集來訓練它，以便避免過擬合； 由于卷積特性，即使圖片平移幾個像素，其中依然具有非常相似的特征，同樣屬于相同的輸出標記。

• 卷積操作的示意圖如下：

卷積參數：stride：指的是窗口從當前位置到下一個位置，跳過的中間數據個數

• stride:

zero?padding：將原始數據的周邊補上0值的圈數。

• zero?padding：valid? convolutions,?same convolutions, full? convolutions(https://blog.csdn.net/leviopku/article/details/80327478)

• 卷積輸出維度：

• 卷積中的通道channel

注意：channel就是疊加的3個三個黃色的卷積，最后的得到的是4X4X1，其中一個單元中的值是三個通道分別運算后得到的27個數相加

• 卷積中的卷積核kernel

下圖有兩個3X3X3的卷積核，分別對圖像進行垂直和水平檢測，對應的輸出為4X4X2

• 一層卷積網路實例

設輸入為a[0]6X6X3：經過卷積網絡得到a[1]4X4X2，a[1]其實是原來圖片a[0]的水平特征和垂直特征的提取共計4X4X2個特征，如果想提取更多特征就設置多個卷積核

• 卷積網絡中參數的總結

• 卷積網絡（分類任務舉例）：卷積網絡通常包括三層：CONV卷積層，POOL池化層，FC全連接層，下面這個例子是卷積層。后面會更新介紹另外兩個

最后分類函數：logical識別有沒有貓，softmax識別n種動物中的一種 最后一步是用分類函數處理7X7X40=1960個數據， 2 POOL池化層?卷積之后進行池化操作：可以降低空間維度，減少計算量，刻畫平移不變特性，增加提取特征的魯棒性；可以約減下一層的輸入維度（最大池化，平均池化，范數池化，對數概率池化以及空域金字塔池化，其中空域金字塔池化能夠將任何尺度的圖像的卷積特征轉化成相同維度）

• max?pooling

把4X4區域看成某些特征的集合，數字大的可能是提取了某個特征。池化的參數沒有什么可學習的，一旦確定了參數，它就是一個固定運算。 卷積層輸出大小的公式依然適用于單個池化輸出大小的計算 3?FC全連接層 4 激活函數：非線性操作，通過彎曲或扭曲實現表征能力的提升 5?批量歸一化：優化操作，減少訓練過程中的不穩定性 卷積網絡類型：分類網絡——LeNet5?回答what；目標檢測網絡——faster?R-CNN?回答where 6 卷積網絡舉例：可用于特征學習 舉個栗子： 各層參數（也許與上面那個栗子不太對應） 卷及網絡實訓舉例：

總結

以上是生活随笔為你收集整理的卷积网络的学习（卷积核，通道，padding，stride等概念）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。