深度学习案例教程 课件4.2 卷积过程的原理.pptx

第二节卷积计算在卷积神经网络中，紧随输入层的通常是一个卷积层(ConvolutionalLayer)。卷积的实现灵感来源于生物学上的感受野(ReceptiveField)，后者是人体听觉或视觉等系统中神经说具有的特殊性质——即神经元只对自己可以接受的某些活动范围/条件内的信号产生刺激，例如，听觉系统中各神经元对不同频率声音的反应是有差异的。卷积层定义

卷积运算卷积层进行的处理就是卷积运算。卷积运算相当于图像处理中的“滤波器运算”。在介绍卷积运算时，我们来看一个具体的例子。卷积运算

填充数据在进行卷积层的处理之前，有时要向输入数据的周围填入固定的数据(比如0等)，这称为填充(padding)，是卷积运算中经常会用到的处理。比如，在输入数据中，对大小为(4,4)的输入数据应用了幅度为1的填充。“幅度为1的填充”是指用幅度为1像素的0填充周围。填充数据

步幅应用滤波器的位置间隔称为步幅(stride)。之前的例子中步幅都是1，如果将步幅设为2，则如图所示，应用滤波器的窗口的间隔变为2个元素。增大步幅后，输出大小会变小。而增大填充后，输出大小会变大。步幅

多维卷积如果原始输入是一维的图片，但是我们可以用多个卷积核分别对其计算，从而得到多个特征输出。如图所示。多维卷积

多维卷积一张图片，通常是彩色的，具有红绿蓝三个通道。我们可以有两个选择来处理： (1)变成灰度的，每个像素只剩下一个值，就可以用二维卷积 (2)对于三个通道，每个通道都使用一个卷积核，分别处理红绿蓝三种颜色的信息。显然第2种方法可以从图中学习到更多的特征，于是出现了三维卷积，即有三个卷积核分别对应书的三个通道，三个子核的尺寸是一样的，比如都是2x2，这样的话，这三个卷积核就是一个3x2x2的立体核，称为过滤器Filter，所以称为三维卷积。

卷积的批处理神经网络的处理中进行了将输入数据打包的批处理。之前的全连接神经网络的实现也对应了批处理，通过批处理，能够实现处理的高效化和学习时对mini-batch的对应。我们希望卷积运算也同样对应批处理。为此，需要将在各层间传递的数据保存为4维数据。具体地讲，就是按(batch_num,channel,height,width)的顺序保存数据。卷积的批处理

卷积的批处理池化池化pooling，又称为下采样，downstreamsamplingorsub-sampling。池化方法分为两种，一种是最大值池化MaxPooling，一种是平均值池化Mean/AveragePooling。