卷积神经网络CNN

1.全连接层

  1.多层感知机

多层感知机（Multilayer Perceptron,MLP）是由输入层、隐含层（一层或多层）及输出层构成的神经网络模型，可以解决单层感知器不能解决的线性不可分问题。下面是含有2个隐含层的多层感知器网络拓扑结构图。可以发现，输入层神经元接收输入信号，隐含层和输出层的每一个神经元与之相邻层的所有神经元连接，即全连接。

2.全连接表现形式 

  把图中012 345 678 3*3的输入拉成一列与隐含层a0,a1,a2,a3全连接，与a0连接的权重是w00w10w20 w30w40w50 w60w70w80 3*3的权重；与a1,a2,a3连接的权重也同样。

2.局部连接——卷积神经网络（主要为了解决全连接层缺点：权重参数多，即为了减少权重）

主要为了解决全连接层缺点：权重参数多，即为了减少权重

由全连接的36个权重变成16个

由局部连接16个变成4个 每一个a乘的权重都是下相同的4个只有一种权重下采样也是一个特点（输出维度减小） 带卷积核的就是卷积神经网络，优点就是减少全连接的权重参数

3.单通道卷积核及步长stride

步长为1

步长stride=1，求特征图：先选择粉色部分与卷积核相乘并相加算出映射层的值，再按照步长为1依次往右移动与卷积核进行计算；特征映射层第一层算完之后在向下移动一个算第二层；