CNN算法_cnn计算公式

卷积神经网络：

卷积神经网络与传统网络的区别：

 整体架构：

 图像颜色通道： 每个颜色通道单独进行计算。

 步长与卷积核大小对结果的影响：

堆叠的卷积层：

 

卷积核尺寸一般为3*3，滑动窗口步长一般为1

卷积结果计算公式：

 其中W1、H1表示输入的宽度、长度；W2、H2表示输出特征图的宽度、长度；F表示卷积核长和宽的大小；S表示滑动窗口的步长；P表示边界填充（加几圈0）。

（32-5+2*2）/1+1=32,所以输出规模为32*32*10，经过卷积操作后也可以保持特征图长度、宽度不变。

卷积参数共享：

 数据依旧是32*32*3的图像，继续用10个5*5*3的filter来进行卷积操作，所需的权重参数有多少个呢？

5*5*3=75，表示每一个卷积核只需要75个参数，此时有10个不同的卷积核，就需要10*75=750个卷积核参数，不要忘记还有b参数，每个卷积核都有一个对应的偏置参数，最终只需要750+10=760个权重参数。

池化层：

 

 最大池化：

 整体网络架构：

特征图变化： 

最初是32X32X3的特征图，经过卷积之后个数增多，再池化，体积变为1/4,再进行卷积，再池化，不断重复，直到转化为一条向量，最终得到分类，得出实际的结果。