卷积神经网络学习心得.docxVIP

涉及问题： 1 ?每个图如何卷积: (1)—个图如何变成几个？ (2 )卷积核如何选择? 2 ?节点之间如何连接? 3.S2-C3如何进行分配? 4.16-120全连接如何连接？ 5.最后output输出什么开彳式? ①各个层解释: 我们先要明确一点：每个层有多个Feature Map ,每个Feature Map通过一种卷积滤波 器提取输入的一种特征，然后每个Feature Map有多个神经元。 C1层是一个卷积层(为什么是卷积?卷积运算一个重要的特点就是，通过卷积运算，可 以使原信号特征增强,并且降低噪音)，由6个特征图Feature Map构成。特征图中每个 神经元与输入中5*5的邻域相连。特征图的大小为28*28 ,这样能防止输入的连接掉到边 界之外(是为了 BP反馈时的计算，不致梯度损失,个人见解)。C1有156个可训练参数 (每个滤波器5*5=25个unit参数和一个bias参数，一共6个滤波器^(5*5 + 1)*6=156 个参数),共 156*(28*28) = 122,304 个连接。 S2层是一个下采样层(为什么是下采样?利用图像局部相关性的原理,对图像进行子抽 样，可以减少数据处理量同时保留有用信息)，有6个14*14的特征图。特征图中的每个 单元与C1中相对应特征图的2*2邻域相连接。S2层每个单元的4个输入相加,乘以一个 可训练参数，再加上一个可训练偏置