卷积神经网络CNN学习（一）

参考文章：

https://www.cnblogs.com/skyfsm/p/6790245.html

通过学习上面的文章，对于卷积神经网络有了一个初步的认识，上文对于卷积的过程有一个很清晰的GIF动画。

对于我自己来说，在学习过程中，比较大的困难在于认知卷积核、神经元及参数之间的关系。

https://www.cnblogs.com/touch-skyer/p/9150039.html这篇文章是以一种类型的卷积神经网络为例，讲解相关的参数计算。

摘出第一个卷积层，来梳理卷积核、神经元及参数之间的关系，如下图所示。

卷积核：96个,大小为11*11*3

参数：一个卷积核中有11*11*3个参数，现在共96个，所以卷积层的权重（weights）数量即为11*11*3*96，每一个卷积核对应一个偏移量（bias），共96个，因此，这层卷积层的参数共为11*11*3*96+96。

神经元：神经元与参数之前并没有之间的关系，根据局部感知野，每个神经元对应输入图像中的一个三维矩阵，即图中的11*11*3这个立方体，根据上文中的公式，或者逻辑分析，很容易得出227被长度11经过步长为4的线段分成55份（这个在第一篇文章的最后有介绍）。对于一个卷积核来说，其对应的神经元有55*55个，因此，共96个神经元，即这一层有55*55*96个神经元，即输出图像的尺寸55*55*96。（换一种方式理解，已知输出图像的尺寸，原图像与卷积核每进行一次卷积操作，输出一个数值，所以输出图像的尺寸即为神经元的个数。）

一开始看卷积神经网络的时候，对输出图像的深度有误解，应该是卷积核的个数为输出图像的深度。

刚刚开始学习，有理解不对的地方，请各位指正。