CNN卷积神经网络学习笔记

总体网络架构

主要由Convolution层、Max Pooling层、Flatten层以及 FullyConnected Feedforward network组成，其中Convention层与Max Pooling层可以连续多次，根据需求设定。其特征为局部感知和权值共享，通过使用Filter来实现，具体网络结构如下图所示。

Convolution层

使用Filter进行卷积，即对应参数点积之和。用来寻找是否存在对应pattern，点积之和越来大表示与所寻找pattern越相似，其中Filter中的参数是由学习得出，且需注意深度。66的image由2个33的Filter卷积过后得到一个44的image，即一个24*4的Feature Map。在卷积过程中可设置stride，即Filter每次移动格数，padding，即是否在image边缘补充格数。

Max Pooling层

对image进行简化，例如选取2*2里最大的保存。

Flatten层以及全连接层

Flatten层将所得image数据拉成条状后输入全连接层即可得到output。全连接层对imge进行整体感知，从而得出相应结果的概率。整体过程如下。