CNN卷积理解初步概念理解（对于别人的博客的自己打开方式）

http://www.jeyzhang.com/cnn-learning-notes-1.html根据这个自己的理解

权值共享理解：

1.首先理解权值共享的意义：

意义就是对于大型网络参数过多计算量过大，所以考虑到使用权值共享的思想。

2.怎样权值共享：

对于一张图片（假设是灰度图），图片大小是1000*1000，第一层隐藏层有10^6个神经元。那么我们采用传统的全连接就需要10^12(1000*1000*10^6)个权值参数，现在我们把这张1000*1000的图片分割为10*10的局部图像组成，一张小图片仅连接一个神经元，也就是我们只需要10*10个权值参数。所有的10^6个神经元共享相同的10*10个参数。所以不管我我们的网络有多少个神经元，我们的参数个数都是10*10。

一种卷积核对应一种特征，不同的卷积核得到图像在不同映射下的的特征，称之为feature map。

我是这样理解的第一步局部链接（缩小图片size，所有局部图对应相同的神经元的权值一样，就好似对每一个局部图对不同的神经元的权值是一样的），第二部权值共享（所有神经元的权值相同）。

此外，偏置参数也是共享的，一种filter对应一个共享的bias。

参数个数 =  （filter size） *（filtern umber） 

卷积层：

1.类似于数字图像处理的滤波器，参考滤波的模板。

好吧目前就写到这里下次继续

2.卷积核可以理解为一个有多片组成的长方体，若输入20个特征（特征=feature map）那么每个卷积核的长（基于长方体的概念）就是20，卷积核的层数 = feature数。记住一个长方体是一个卷积核，这个卷积核以你设定的步长移动对输入的feature卷积，若输入图像时32*32*3（chennal）的图像，对应的卷积核大小设为5*5*3。每个卷积核的三个层面对原图像的三个通道的同一位置卷积，得到三个在空间平行的数字， 让后让他们相加就是这个卷积核，卷基础的一个feature在这个位置的值。caffe中用im2col（矩阵编程列向量）来简化计算，可以看matlab的相应函数，原理近似有助于理解。