本文中，什么是卷积神经网络：1)网络结构2 )局部感觉域和权重的共享3 )卷积层、下采样层、 全连通层卷积神经网络与一般神经网络相比在图像理解上的优势(边缘检测卷积运算卷积层卷积后的维数公式和运算实例Padding填充Valid卷积和Same卷积步长卷积简单单体卷积网络
3359 blog.csdn.net/QQ _ 25762497/article/details/51052861
什么是卷积神经网络：卷积神经网络默认输入是图像，可以让我们把特定的性质编码入网络结构，使是我们的前馈函数更加有效率，并减少了大量参数
卷积神经网络是一种具有卷积结构的深层神经网络，卷积结构可以减少深层网络占用的存储量，其三个重要操作：其一是局部感受野，其二是权值共享，其三是pooling层，网络参数
1 )网络结构卷积神经网络整体架构：卷积神经网络是一种多层监控学习神经网络，抑制层卷积层和池采样层是实现卷积神经网络特征提取功能的核心模块该网络模型通过采用梯度下降法最小化损失函数，逐层逆向调节网络中的权重参数，通过频繁的迭代训练提高网络的精度。 卷积神经网络的低隐层由卷积层和最大池采样层交替组成，上层是全连接层与传统多层感知器相对应的隐含层和逻辑回归分类器。 第一个全连通层的输入是在卷积层和子采样层进行特征提取得到的特征图像。 最后一层的输出层是支持逻辑回归、Softmax回归甚至向量机对输入图像进行分类的分类器。
卷积神经网络结构包括：卷积层，降采样层，全链接层。每一层有多个特征图，每个特征图通过一种卷积滤波器提取输入的一种特征，每个特征图有多个神经元。
输入图像统计和滤波器进行卷积后，提取其局部特征。 提取了该局部特征后，还决定了与其他特征的位置关系。 每个神经元的输入与前一层的局部感受区相连，每个特征提取层又称为求局部平均和二次提取的计算层、特征映射层。 网络的每个计算层由多个特征映射平面组成，平面上所有神经元的权重相等。
从输入层到隐藏层的映射通常被称为特征映射，从卷积层得到特征提取层，再经过轮询得到特征映射层。
2 )局部感受域和权重共享卷积神经网络的核心思想是局部感受域，是权重共享和轮询层，从而简化网络参数，使网络具有一定程度的位移、尺度、缩放、非线性变形稳定性。
3358www.Sina.com//图像的空间联系是局部的，各神经元不需要感觉所有的图像，只需要感觉局部的特征就可以了，进而通过整合上层感受到的这些不同的局部神经元获得全局信息由此，可以减少连接数量，3358www.Sina.com//不同神经元之间的参数共享不再需要求解的权重共享是指对图像用同一卷积核进行卷积操作，即最初的隐藏其主要能力可检测不同位置的同一类型特征。 也就是说，卷积网络能很好地适应图像小范围的平移性。 即有良好的平移不变性。 (例如，在移动输入图像的猫的位置之后，也可以检测猫的图像。 )3)这是因为可以通过卷积运算提取图像特征
使用可训练滤波器fx对输入图像进行卷积(第一个阶段是输入图像，第二个阶段是卷积特征map )，然后加入偏差bx得到卷积层Cx。局部感受野:通过对图像进行下采样，能够在保留有用信息的同时减少数据处理量。 采样可以混淆特征的具体位置。 发现某一特征后，其位置已不再重要，只有该特征与其他特征的相对位置，才能适应畸变和畸变引起的同类物体的变化。
附近的四个像素的合计成为一个像素，用标量Wx 1进行加权，增加偏移量bx 1，生成用sigmoid激活函数缩小为约4倍的特征图Sx 1。 33558 www.Sina.com/:用soft max全部连接，得到的活性化值是用卷积神经网络提取的图像特征。
卷积神经网络与一般的神经网络相比在图像理解方面具有优势。 网络结构能很好地适应图像的结构同时进行特征提取和分类，特征提取有助于特征分类权重的共享，减少网络训练参数，神经网络结构简单，适应性更强，边缘检测的垂直检测水平
卷积运算卷积层卷积神经网络中每层卷积层由多个卷积单元组成，各卷积单元的参数通过反向传播算法进行优化。 卷积运算的目的是提取输入不同的特征。 第一层卷积层可能只能提取边缘、线、角等低级特征。 更多层的网络可以从低级特征中迭代提取更复杂的特征。
相当于特征提取
池化相当于降维压缩数据
垂直边
缘检测为例OpenCV学过的边缘检测滤波器 Sobel,Scharr 卷积后维度公式及运算示例 Padding填充
通常在卷积层之后会得到维度很大的特征，将特征切成几个区域，取其最大值或平均值，得到新的、维度较小的特征。目的是为了减少特征图
池化层通常接在卷积层后面，引入它的目的就是为了简化卷积层的输出。通俗地理解，池化层也在卷积层上架了一个窗口，但这个窗口比卷积层的窗口简单许多，不需要w，b这些参数，它只是对窗口范围内的神经元做简单的操作，如求和，求最大值，把求得的值作为池化层神经元的输入值
最大池化 平均池化 为什么使用卷积？ 图像像素全连接的参数巨大 使用卷积网络的两个原因