46、卷积神经网络中的卷积层与池化层详解

卷积神经网络中的卷积层与池化层详解

1. 过滤器（Filters）

神经元的权重可以表示为与感受野大小相同的小图像。例如，有两种可能的权重集合，被称为过滤器（或卷积核）。第一种过滤器是一个黑色方块，中间有一条垂直的白线（它是一个 7×7 的矩阵，除了中间列全为 1 外，其余全为 0），使用这些权重的神经元将忽略其感受野内除中间垂直线以外的所有内容。第二种过滤器是一个黑色方块，中间有一条水平的白线，使用这些权重的神经元将忽略其感受野内除中间水平线以外的所有内容。

如果一层中的所有神经元都使用相同的垂直线过滤器（以及相同的偏置项），并将输入图像输入网络，该层将输出突出显示垂直线而其余部分模糊的图像。同理，若都使用相同的水平线过滤器，则输出突出显示水平线而其余部分模糊的图像。因此，使用相同过滤器的一层神经元输出一个特征图，该特征图突出显示图像中最能激活该过滤器的区域。而且，在训练过程中，卷积层会自动学习对其任务最有用的过滤器，上层将学习将它们组合成更复杂的模式。

2. 堆叠多个特征图

为简单起见，之前将每个卷积层的输出表示为二维层，但实际上卷积层有多个过滤器（数量可自行决定），每个过滤器输出一个特征图，因此更准确地应表示为三维。每个特征图中的每个像素对应一个神经元，且给定特征图内的所有神经元共享相同的参数（即相同的核和偏置项），不同特征图中的神经元使用不同的参数。神经元的感受野与前面描述的相同，但它跨越前一层的所有特征图。简而言之，卷积层同时对其输入应用多个可训练的过滤器，使其能够检测输入中任意位置的多个特征。

所有特征图中的神经元共享相同参数这一事实显著减少了模型中的参数数量。一旦卷积神经网络学会在一个位置识别一种模式，它就能在任何其他位置