原版地址：http://cs231n.github.io/convolutional-networks/

知乎翻译地址：https://zhuanlan.zhihu.com/p/22038289?refer=intelligentunit

 

1 卷积层

（1）理解卷积层

      按照卷积的观点看，卷积层由若干卷积核（滤波器）组成，核的参数待学习，将卷积核在输入上滑动相乘，得到的输出称为激活图。假设输入数据体的尺寸为cs231n--详解卷积神经网络。4个超参数为：滤波器的数量cs231n--详解卷积神经网络，滤波器的空间尺寸cs231n--详解卷积神经网络，步长cs231n--详解卷积神经网络，零填充数量cs231n--详解卷积神经网络。则输出数据体的尺寸为cs231n--详解卷积神经网络 ，其中：cs231n--详解卷积神经网络，cs231n--详解卷积神经网络 ，cs231n--详解卷积神经网络。

      按照神经元的观点看，卷积层中神经元的一个深度切片是共享参数的，并且它们只连接到输入的一部分（称为感受野），每个神经元突触的权重就是滤波器。不同深度上的神经元是不共享参数的。也就是说，同一个深度切面上的所有神经元都学习同样的特征，不同深度上的神经元学习不同的特征。由于图像具有平移不变性，因此共享参数是合理的，处于同一深度切面上的神经元是在图像不同位置上检测相同的特征。

（2）实现

普通实现，矩阵乘法实现。详细见https://zhuanlan.zhihu.com/p/22038289?refer=intelligentunit

 

2 pooling层

      pooling层也有一个滑动的滤波器，但是不含参数，只是对输入做降采样，通常是取窗口内的最大值操作。

 

3 全连接层转化成卷积层

     全连接层可以看作卷积层，这种转化的好处是可以用一次前向传播对更大图像的不同位置打分，而如果不做这种转化，就需要输入在大图像上不同位置滑动，经过多次前向传播，才能获得不同位置的打分。

 

4 结构

常见的卷积网络结构为：INPUT -> [[CONV -> RELU]*N -> POOL?]*M -> [FC -> RELU]*K -> FC

 

5 层结构及超参数的设置规律

详见https://zhuanlan.zhihu.com/p/22038289?refer=intelligentunit