ubuntu之路——day17.3 簡單的CNN和CNN的經常使用結構池化層

來看上圖的簡單CNN：

從39x39x3的原始圖像 不填充且步長爲1的狀況下通過3x3的10個filter卷積後 獲得了

  37x37x10的數據 不填充且步長爲2的狀況下通過5x5的20個filter卷積後 獲得了

  17x17x20的數據 不填充且步長爲2的狀況下通過5x5的40個filter卷積後 獲得了

  7x7x40的最終結果

將7x7x40的卷積層所有展開做爲輸入特徵，創建一個輸入層單元數爲1960的神經網絡便可

卷積神經網絡常見的結構：

1.Conv卷積層如上圖所見

2.Pool池化層

3.FullyConnected全鏈接層

Pooling layer 池化層：

池化層的做用：縮減模型大小，提升計算速度，加強提取特徵的魯棒性

最大池化層，顧名思義，就是把每次filter的卷積過程換爲對區域內的全部數字求最大值的過程，如上圖所示，在指定filter大小和步長s後能夠獲得最終的結果爲2x2，而後每次求不一樣區域內的最大值便可。

平均池化層，這種池化層的應用要比最大池化層少。通常應用於很深的網絡中，好比上淺層的信道層的網絡等，原理與最大池化層相同，只是每次對filter的區域求平均值。

注意：

通常而言，池化層的超參數只有filter的大小f和步長s，在池化層中通常不用填充padding，所以p通常爲0。

堆疊的池化層操做與卷積操做相同，對每一個信道單獨求max/average而後堆疊便可。