卷积神经网络(卷积层，激活函数Relu,池化层，计算公式及API解释)

1. 卷积神经网络 （卷积层，激活函数，池化层，全连接层）

    (1)  把神经网络的隐藏层分为卷积层和池化层(又叫下采样层)

          · 卷积层 ：  通过在原始图像上平移来提取特征

           ·  池化层 ： 通过特征后稀疏参数来减少学习的参数，降低网络的复杂度。

2. 卷积层：（定义过滤器）

     (1)大小 （观察窗口）、一般都是奇数(1*1、3*3、5*5)

     (2)步长（窗口移动的步长），每次移动的像素大小，一般为一个像素

          移动的步长太大，导致移动越过图片大小：

              · 不越过，直接停止观察

              ·  就直接越过，越过之后，进行零填充，填充零的大小根据越过的大小进行填充

      (3)带着权重 ，  如果大小为3*3，即有9个权重

     (4) 计算公式：                                                  

                             

       (5)   卷积网络的API:

             

             input :  即：你输入了【多少张图片，图片的长，图片的宽，图片的通道数】，注意形状是4-D

              filter: 过滤器，【过滤器的长，过滤器的宽，过滤器的输入通道，过滤器的输出通道】              

3.新的激活函数-Relu    （f(x) = max(0,u)）

     （1） 增加激活函数： 增加网络的非线性分割能力

       （2） 为什么不使用sigmoid等其他的激活函数，而采用Relu

                 ·  在反向传播求误差梯度时间，计算量相对大

                  · 对于深层网络，sigmoid函数反向传播时，很容易就会出现梯度爆炸的情况。

       (3)  把卷积后的值输入到激活函数里面。

           

 4. 池化层  （池化Pooling计算）

        （1）池化层主要的作用是特征提取(即删掉一些特征)，通过去掉Feature Map(特征图)中不重要的样本，进一步减少参数数量     

         (2)   池化层的计算，    按照2*2，2的步长，取出最大的值

              

      （3） 池化层计算的API

 5. 全连接层  （Full Connected 层） 

     前面的卷积和池化相当于做特征工程，后面的全连接层相当于做特征加权。

              最后的全连接层在整个卷积神经网络中起到 “分类器” 的作用。