神经网络整体架构

  用全连接神经网络处理大尺寸图像具有三个明显的缺点：
  ①将图像展开为向量会丢失临近像素的空间信息
  ②模型参数过多，因此效率低下，训练困难
  ③大量参数也很块会导致网络过拟合
  针对这些问题，提出了卷积神经网络，很好的解决了这些问题。
  目的：减少网络参数数量，达到更好效果

1.输入层Input

  图像数据

2.卷积层Conv

  提取特征(将图像分成一个个小区域，利用卷积核生成对应的特征图)
  卷积运算的目的是提取输入的不同特征，某些卷积层可能只能提取一些低级的特征如边缘、线条和角等层级，更多层的网络能从低级特征中迭代提取更复杂的特征。

  可以看出卷积是一种局部操作，通过一定大小的卷积核作用于局部图像区域获得图像的局部信息。


  5×5的数据经过3×3的卷积核生成3×3的特征图
  卷积核：

  · 例
  第一个区域特征值：

  (1)多通道卷积
  当有多个通道channel时，例如图片可以有RGB三个通道，卷积核需要拥有相同的channel数，每个卷积核channel与输入层的对应channel进行卷积，将每个channel的卷积结果相加得到最终的feature map。
  (2)多卷积核
  当有多个卷积核时，可以学习到多种不同的特征，对应产生多个channel的feature map。多个功能的卷积核得计算结果放在一起，能够检测到图片中不同得特征(边缘检测)
  一个卷积层中可以有多个不同的卷积核，而每一个卷积核都对应一个特征图。

多通道卷积	多卷积核