摘要：
LeNet卷积神经网络 所谓卷积Net，就是将空间信息不停地压缩，压缩，在压缩，最后将特征变得很小很小，通道数变得越来越多，最后甚至特征会变成1，通道数会变成上千，最后做全连接输出，这便是卷积神经网络的内核。 feature map:输出 LeNet： 输入是一个32x32的图，第一层卷积，大概是用 阅读全文
摘要：
二维最大池化层： 返回窗口中的最大值。 池化层与卷积层类似，都具有填充和步幅； 没有可学习的参数； 在每个输入通道应用池化层以获得相应的输出通道； 输出通道数==输入通道数 ## 这里不用池化层做多通道融合的原因，是因为通道融合常常是卷积的任务。 除了最大池化层，还有一个平均池化层最常用。 池化层常 阅读全文
摘要：
对于RGB这种多个输入通道的图： 每个通道都有一个卷积核，结果是所有通道卷积结果的和。 我们可以有多个输出通道： 但是到目前为止我们只用到单输出通道。 多输入和输出通道，可以用多个卷积核提取不同的特定的模式，最后加权，得到一个组合的模式识别。 深度学习其实就是先用简单的卷积核识别这些最简单的纹理，然 阅读全文