卷积计算

1.卷积神经网络中得参数

1.参数的表示

  输入图片大小 W×W
  Filter大小 F×F
  步长 S
  padding的像素数 P
  于是我们可以得出 N = (W − F + 2P )/S+1
  输出图片大小为 N×N

2.参数的作用

  池化作用：
  1.减少参数量
  2.防止过拟合
  CNN平移不变性，缩放不变性，变形不变性：
  充分利用局部感受野，权值共享，下采样
  棋盘卷积：更容易铺货更底层更有价值的信息

卷积后的输出计算

  Output：(输入尺寸-卷积核尺寸+2xpadding)/步长+1
  Shape Param：卷积核尺寸*2 x 通道数 x 过滤器数+过滤器数

池化后的输出计算

  输出尺寸： (输入尺寸-池化尺寸)/步长+1

全连接层

  前层的尺寸*2x前层的核数x全连接层的神经元数+全连接层的神经元数

隐藏层的下一层全连接成的参数计算

  前层神经元数 x 当前神经元数 + 当前神经元数