为什么使用卷积运算
- 使用卷积比全连接网络少很多参数，为了计算高分辨率的图片，很少的参数以便我们可以使用较小的训练集来训练，有利于预防过拟合
- 使用卷积就是为了提取显著特征，减少特征维数，减少计算量。
边缘检测
- 表示卷积，使用3x3过滤器
- 如图是垂直边缘检测器
正边缘与负边缘
填充降维度
公式：nxn * fxf = (n-f+1)x(n-f+1)
- 缺陷：不希望每一步都缩小维度，使得图片丢失了许多边界的信息
- 解决方法：填充图片扩大图片，给图片增加边框像素也就是 给一个padding为一像素
- 公式就变成了：
n+2p-f+1=n如果让填充后的图片进行卷积等于原来图片的大小p=(f-1)/2并且过滤器建议使奇数
带步长的卷积
- 公式：
(n+2p-f)/s+1带步长卷积后的维度大小，除不尽可以向下取整floor=⌊ ⌋ - 总结公式：
⌊(n+2p-f)/s+1⌋ * ⌊(n+2p-f)/s+1⌋
三维卷积
- 使用rgb图片 则是三通道（red,green,blue）
卷积神经网络结构
- 卷积神经网络主要由这几类层构成：输入层、卷积层，ReLU层、池化（Pooling）层和全连接层（全连接层和常规神经网络中的一样）。