1 CNN的结构

1.1 卷积层

  由滤波器filters和激活函数构成。 一般要设置的超参数包括filters的数量、大小、步长，以及padding是“valid”还是“same”。当然，还包括选择什么激活函数。

1.1.1 padding 填白

每次卷积前，先给图片周围都补一圈空白，让卷积之后图片跟原来一样大，同时，原来的边缘也被计算了更多次。比如把(8,8)的图片给补成(10,10)，那么经过(3,3)的filter之后，还是(8,8)，没有变。把卷积后大小不变称为 “Same”方式， 把不经过任何填白的，称为 “Valid”方式。

1.1.2 stride 步长

默认步长是1，如果(8,8)的输入，我们用(3,3)的filter， 如果stride=1，则输出为(6,6); 如果stride=2，则输出为(3,3)

1.1.3 卷积

如果input是一维8x8的黑白图片，filter是3x3，那卷积后的output是6x6
如果input是三维8x8的彩色图片，filter是3x3x3（最后一个3表示filter是三维，这个维度要和input一致，如若input是2维，则filer也要2维），那卷积后的output也是6x6（三个channel的所有元素对应相乘后求和，也就是27个乘积的和），因为下图中filter只有对角线有非0，因此只乘了对角线，实际是表格中每个元素都要相乘。

如果使用多个filters同时卷积，比如，如果我们同时使用4个filter的话，那么 输出的维度则会变为(6,6,4)，相当于做了四次filter，每次filter输出的维度是（6，6，1）。

1.2 池化层

该层主要是为了提取一定区域的主要特征，并减少参数数量，防止模型过拟合。方法有MaxPooling（取那个区域的max）还有AveragePooling（取那个区域的平均值）

1.2.1 max pooling

如下面的MaxPooling，采用了一个2×2的窗口，并取stride=2

1.3 全连接层

标签：02,1.1,卷积,filter,stride,步长,深度,CNN,input
来源： https://blog.csdn.net/weixin_40313252/article/details/122055834