卷积神经网络

卷积神经网络（CNN）

卷积运算：

卷积运算就是通过设计一系列大小适中的卷积核（感受野），对数字图像的各个通道分量（二维矩 阵）进行卷积，提取特征值的过程。常用的卷积核大小为3×3 、5×5 、7×7。
连续卷积
( (f * g)(t) = \int_{-\infty}^{\infty} f(\tau)g(t-\tau)d\tau
)
离散卷积（图像处理核心）
(f * g)(i) = \sum_{m=-\infty}^{\infty} \sum_{n=-\infty}^{\infty} f(m,n)g(i-m, j-n)

卷积核（感受野）：要训练的参数

卷积运算主要参数

步长（决定运算速度）：卷积核滑动的间隔，影响输出尺寸；​
卷积核数量:决定每一层能提取的特征数
卷积核形状

池化（下采样）：

1. 作用就是缩小特征图的尺寸，减少计算量
2. 原理：池化的原理是可以用某一图像 区域子块的统计信息包含了该子块全局信息。
3. 主要操作：最大池化、平均池化、随机池化、L2范数池化
4. CNN常用2*2区域池化
   

归一化：

多个特征值的输入数据分布不均，数值差异巨大，归一化将数据压缩到 0-1 的范围内，方便发现数据的本质规律

卷积，池化，展平：cnn三要素