CS231n 学习笔记（八）_cs231n课程笔记8-优快云博客

本文介绍了卷积神经网络中的核心概念——卷积和池化。卷积层通过使用多个卷积核来保留输入图像的空间结构，并生成激活映射。池化层则用于降低激活映射的维度，减少计算复杂度。文中还详细解释了卷积核大小、数量及零填充的作用。

时间：2019/3/30
内容：卷积和池化

课时12：卷积和池化

全连接层
在这里插入图片描述
卷积层
卷积层和全连接层最大的区别是它可以保留空间结构。我们不用将图片像上述用全连接层处理那样将其展开成一个长向量，可以保持图片三维输入的结构
每个卷积核大小是5*5，一共有3个卷积核

工作细节：
在这里插入图片描述

激活映射里的值就是卷积核在每个位置求得的结果。当我们处理一个卷积层时，我们希望用到多种卷积核。例如下图用到了6个卷积核

那么在CNN中如何使用这些卷积层呢？ConvNet是由多个卷积层组成的一个序列，它们依次堆叠，就像之前讲的神经网络中那样堆叠简单的线性层一样。

这些层每个会采用多个卷积核，每个卷积核会产生一个激活映射
在这里插入图片描述

池化层大大降低了激活映射的采样尺寸

输出深度是使用卷积核的数量。零填充的目的是为了保证输入图像的尺寸，否则会尺寸迅速减小，损失一些信息

每个边上增加宽度为2的填充

对每个卷积核，输出都是3232,这里有10个卷积核，因此output是3232*10（是个激活映射）；这一层中的参数是多少呢？
在这里插入图片描述
这里3是权重（即输入深度），1是偏差项的参数数目

F：filter size