标签：卷积 Max image Filter Pooling 神经网络 Flatten CNN

总体网络架构

主要由Convolution层、Max Pooling层、Flatten层以及 FullyConnected Feedforward network组成，其中Convention层与Max Pooling层可以连续多次，根据需求设定。其特征为局部感知和权值共享，通过使用Filter来实现，具体网络结构如下图所示。

Convolution层

使用Filter进行卷积，即对应参数点积之和。用来寻找是否存在对应pattern，点积之和越来大表示与所寻找pattern越相似，其中Filter中的参数是由学习得出，且需注意深度。66的image由2个33的Filter卷积过后得到一个44的image，即一个24*4的Feature Map。在卷积过程中可设置stride，即Filter每次移动格数，padding，即是否在image边缘补充格数。

Max Pooling层

对image进行简化，例如选取2*2里最大的保存。

Flatten层以及全连接层

Flatten层将所得image数据拉成条状后输入全连接层即可得到output。全连接层对imge进行整体感知，从而得出相应结果的概率。整体过程如下。

标签：卷积,Max,image,Filter,Pooling,神经网络,Flatten,CNN
来源： https://www.cnblogs.com/wzq-blog/p/14830640.html

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。