0. 滤波器的大小选择

  • 大部分卷积神经网络都会采用逐层递增(1⇒ 3 ⇒ 5 ⇒ 7)的方式。
  • 每经过一次池化层,卷积层过滤器的深度都会乘以 2;

1. 权值共享:减轻过拟合 & 降低计算量

一个卷积层(Wx+b ⇒ ReLU ⇒ maxpooling)可以有多个不同的卷积核,而每一个卷积核都对应一个滤波后映射出的新图像,同一个新图像中的每一个像素都来自完全相同的卷积核,这就是卷积核的权值共享。

那么为什么要共享卷积核的权值参数呢?

  • 降低模型复杂度以减轻过拟合;
  • 降低计算量;

2. 待求参数数目的量化分析

考虑 的输入图像:

  • 全连接,隐层神经元的数目为
  • 卷积,卷积核的大小为 时,
    • 步长为 10,表示的是输入图像可划分的块数,也即经卷机作用后的输出图像;
    • 步长为 1,
    • 在不考虑步长的前提下,可近似将待学习的参数的数目视为
  • 3. CNN 的卷积与信号与系统中的卷积

    CNN 的卷积并没有执行“翻转”操作,而是与输入图像做滑动窗口“相关”计算;

    如果

    4. 时间复杂度

    • 的值一般是很大的,比如 256;