Dive into deep learning task 05- 卷积神经网络基础；leNet；卷积神经网络进阶

3.卷积神经网络基础

卷积其实是一种信号过滤器，实际上做的二维互相关运算。以前理解 的是卷积运算，现在才发现这就是互相关运行，说白了就是用卷积核遍历输入的数组。

池化是一种降维操作。

互相关运算和卷积运算没有本质上的不同，但是还是有区别。

卷积神经网络的输出为 (nh+ph-kh+sh)/sh * (nw+pw-kw+sw)/sw

nh,nw 为输入的高和宽

ph,pw为填充的高和宽

kh,kw为卷积核的高和宽

sh,sw为纵向和横向步长

课后题居然大错，第一题被坑了，是彩色 图片，有3个通道。。。

卷积层和池化层的区别是：

卷积层是加权求和，权值 通过训练来得到。

池化层是通过选择最大数据或者求平均数来得到值。

以前我误认为这两者之间的区别是stride, 也就是步长的不同。

4. LeNET

LeNet是最简单的卷神经网络 ，它的结果很简单，一层卷积，一层池化，最后是几层全连接，全连接之前带有展平操作，让多维的张量变为一维的张量

5 高级CNN

AlexNet : 8层变换， 5,2,1 五个卷积层，2个隐藏全连接层，一个全连接输出层。

池化方式也从平均池化改为最大池化方式

（图无法帖上来，缺失）

dive 网络基础 lenet INTO 卷积神经网络 神经网络 deep 卷积