CNN之间的计算

参考内容

1、网易云课堂微专业——深度学习—04第一周：http://mooc.study.163.com/smartSpec/detail/1001319001.htm

2、CNN基础介绍：http://blog.csdn.net/fengbingchun/article/details/50529500

---

---

卷积神经网络（Convolutional Neural Networks，CNN）

1、基本计算原理

　　

　　动态过程：

　　滤波器（过滤器：filter）的权值是根据你要检测的特征来决定的，在深度学习中，也即是要经过训练得到。检测的特征不同，权值就不一样。

　　如上单层的图像一般表示的是灰白图，既是没有颜色的，有颜色的RGB图像，会包含三个相同大小的图层，这时对应的滤波器也要变成三层，滤波器的层数（通道数）必须时刻与图像层数保持一致。。。

　　

　　注意输出的是一个单层图

　　

　　因为当一个三通道的过滤器与图像进行卷积时，是直接对27个数去加权计算它们的和得到一个结果，而不是分层计算。

2、卷积输出的大小计算

　　如上两个例子，5*5的图像经过3*3的滤波器得到一个3*3的结果，6*6*3d的图像经过3*3*3d的滤波器得到一个4*4*1d的结果，从单层的例子我们大概已经知道了是怎么计算的了，那么接下来转换成公式来表示一下。

　　

　　由计算可知，每次卷积图像都会变小，以上还只是步长为1的情况（也即是每次只移动一个），有两个缺点：

　　　　1、每次卷积之后图像都会缩小，多次卷积之后呢， 可能会变得很小很小

　　　　2、会丢掉角落边缘像素的重要信息，看下面图像

　　

　　　　在上面的边缘，从左到右像素检测的次数分别为1、2、3、2、1，可见角落边缘只被检测了一次，而中间可以被检测多次，这就会导致边角信息丢失。解决的办法是加入Padding。

3、加入Padding以及之后的计算

　　加入Padding的意思是在卷积之前，在原图像边缘上加入一层像素（也可以多层），一般也叫做补零（因为大多数时候我们添加的元素都是0）。

　　

　　由上图可知，如果卷积之后要得到与原图像相同大小的图像，那么加入的Padding层数应该是(f - 1) / 2，也由此可见，我们用的过滤器 f 一般也是奇数的，这样才能整除计算，获得对称填充，还有一个原因是奇数的滤波器会有一个中心点，有时候在计算机视觉计算时，有个中心点会方便很多。

　　附：

　　　　Padding = 0的卷积被称为Valid Convolution

　　　　为了得到与原图像大小相同图像而加入Padding的卷积称为Same Convolution

3、加入卷积步长（Stride）

　　以上运算都是基于步长为1的情况，下面看看步长为2的情况：

　　

　　在卷积运算时，如果滤波器超出了图像框，一般的操作是不进行运算。

4、三维卷积

　　（1）原始RGB三维图

　　　　

　　　　

　　(2)多个滤波器（卷积核）

　　　　以上操作都是基于单个滤波器的，无论是单层还是多层，一个滤波器只能检测一种特征，要检测多个特征，我们需要多个滤波器。

　　　　

5、汇总