深度学习基础入门篇（1）一 卷积神经网络CNN（Convolutional Neural Networks）

@深度学习基础入门篇（1）一 卷积神经网络CNN（Convolutional Neural Networks）

结构：输入层、卷积层、池化层、全连接层、输出层

卷积神经网络结构如下图所示：

通道和特征图详解

一、CNN–Convolution

如上图所示，左图为6 X 6 feature map(特征图)，右图为若干个3 X 3 Filter（卷积核）
卷积过程如下：

当步长为1时，Filter1与原特征图进行卷积，卷积过程为矩阵相应位置相乘之和。如图为：
1 * 1+0*（-1）+0*（-1）+0*（-1）+1 * 1+0*（-1）+0*（-1）+0*（-1）+1 * 1=3.
之后从左往右，从上向下依次卷积。得到4 X 4大小的新特征图。

新特征图的大小计算为： Sn = （S1-S2）/stride + 1 (其中Sn为新特征图大小，S1为原特征图大小，S2为卷积核大小，stride为步长，如：4 =（6-3）/1 + 1)

如图所示原特征图在两此卷积后生成的新特征图为 4 X 4 X 2，此时depth = 2，特征图的层数和卷积核数有关。

CNN-pooling

常用的池化方法有Max pooling和 average pooling。

     以上卷积后产生了4 X 4 X 2的新特征图

如上图所示对特征图进行2 X 2的池化，stride设定为2，经过Maxpooling和Average pooling分别得：

在处理池化过程中与卷积略有不同，池化的步长一般设置为与上一次不重叠（也有不同，见下文举例），如以上stride = 2.池化后的大小计算与卷积后的大小计算相似。

CNN-Flatten 和全连接

如上图，将池化后的特征图拉长，最后做全连接。

举例—MTCNN中P-Net说明卷积和池化操作：

[1]: [B站李宏毅CNN视频](https://www.bilibili.com/video/av23593949？ from=search&seid=17675224164423254630)