卷积神经网络的深入理解

卷积神经网络的深入理解

1.神经元是什么？
答：按照我个人的理解，神经元是一个物体的定义的标签，比如一个零件我们考虑两个标签，重量w和长度l，那么神经网络就有两个输入神经元，比如输入是图片，那么图片中的每一个像素就是一个神经元。
2.卷积神经网络各层的理解
（1）卷积层最重要的一个优点就是减少训练的参数，这里的参数一般指的是权重w，通过权值共享减少参数，在原图上通过滑动不同权重的卷积核获得不同的特征图，在原图滑动的卷积核其共用同一组权重值，而不像全连接层每一个每一个像素都需要一个权重值，参数量会很大。
（2）激活函数层，主要是为了增加神经网络的非线性功能，如果不加激活函数，神经网络只能处理简单的线性问题，，这个博客对激活函数的作用解释的挺好的，看了能懂，本来要上链接，难不成我不会，博客写的题目是：神经网络激活函数的作用是什么？
（3）池化层不需要训练参数，不需要学习新的特征，只是为了降低参数，防止过拟合等，改变了特征图的大小，特征图的通道数即个数没有改变。
（4）全连接层每个神经元与前后相邻层的每一个神经元都有连接关系，输入是特征，输出为预测的结果。全连接层就是高度提纯的特征，方便交给最后的分类器或者回归。如下图所示，怎么样把3x3x5的输出，转换成1x4096的形式

可以理解为在中间做了一个卷积，我们用一个3x3x5的filter 去卷积激活函数的输出，得到的结果就是一个fully connected layer 的一个神经元的输出，这个输出就是4096中的一个值。因为我们有4096个神经元，我们实际就是用一个3x3x5x4096的卷积层去卷积激活函数的输出

这个操作就是它把特征representation整合到一起，输出为