本文介绍了卷积神经网络的基础知识，包括卷积核（过滤器）、特征图（feature map）和卷积层的概念。卷积核具有长、宽、深三个维度，其数量和尺寸影响输出特征图的个数。特征图根据输入层的不同（如灰度图或彩色图）有不同的数目。卷积层通过卷积核对输入图像进行处理，产生新的特征图。文章还提到了卷积层的代码实现，并简要提及了Batch Normalization的作用。
作为基础学习，建议先看一看电子版的：
[美] Michael Nielsen著，Xiaohu Zhu/Freeman Zhang译：《神经⽹络与深度学习》（Neural Networks and Deep Learning）
这本书深入浅出，把神经网络的基本原理讲得比较清楚。
人们把feature map翻译成特征图，把channel翻译为通道。有时这二者说的是同一件事；但有时强调输入输出时就叫通道，强调图片经过神经网络运算后发现的特征就叫特征图。在下文的说明过程中，我们不做显著的区分，同学们可以理解为上一层输出的feature maps就是下一层输入的channels。
（1）卷积核/过滤器
卷积核也称为过滤器（filter）。
卷积核的长、宽都是人为指定的，长X宽也被称为卷积核的尺寸，常用的尺寸为3X3，5X5等。
在指定卷积核时，只需指定其长和宽两个参数，这是因为通常卷积核的深度（也可以理解为通道数）与当前图像的深度（feather map的个数，比如：RGB三个通道就是三个feature map）相同。
卷积过程中，输入层有多少个通道（输入的feature map个数），滤波器就要有多少个通道（卷积核的深度）；但是滤波器的数量是任意的，滤波器的数量决定了卷积后输
最低0.47元/天 解锁文章
扫一扫
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
