CNN学习理解

参考链接：

https://blog.youkuaiyun.com/qq_39422642/article/details/78676567
https://www.cnblogs.com/charlotte77/p/7759802.html
https://blog.youkuaiyun.com/weixin_42111770/article/details/80900575

相比于机器学习：
神经网络不需要做特征工程，特征提取高效
数据格式的简易性
参数数目少

输出特征图尺寸=（输入尺寸-卷积核尺寸）/步长+1
out_size=(input_size-filter_size)/stride+1

卷积运算是卷积核大小的矩阵的内积运算，不是矩阵乘法。即相同位置的数字相乘再相加求和。
一般情况下，根据实验得到的经验来看，会在越靠近输入层的卷积层设定少量的卷积核，越往后，卷积层设定的卷积核数目就越多。
越往后，卷积核设定的数目越多，越能体现label的特征就越细致，就越容易分类出来

池化层的主要目的是通过降采样的方式，在不影响图像质量的情况下，压缩图片，减少参数。
池化后输出尺寸计算方式同卷积后尺寸计算方式，取值计算为（最大值、均值）

“Zero Padding”（补零），它可以帮助我们保证每次经过卷积或池化输出后图片的大小不变
一般会选择尺寸为33的卷积核和1的zero padding，或者55的卷积核与2的zero padding，这样通过计算后，可以保留图片的原始尺寸。
那么加入zero padding后的feature_map尺寸 =( width + 2 * padding_size - filter_size )/stride + 1

RNN:
RNN结构中的参数在不同时刻中也是共享的。