卷积神经网络CNN的基本概念

用卷积核将相邻像素之间的“轮廓”过滤出来
卷积后特征 （3×3）
1.卷积(Convolution)
f(x) * g(x) =
#+ 3
-3
f(a)g(x -
a )d a
图像 （5×5）
*
过滤器 （3×3）
用卷积核将相邻像素之间的“轮廓”过滤出来
卷积后特征 （3×3）
1.卷积(Convolution)
卷积核
卷积核大小可以指定为小于输入图像尺寸的任意值，卷积核越 大，可提取的输入特征越复杂。 卷积核用来检测某一方面的特征，比如垂直边界、水平边界， 倾斜45°的边界等特征，又称为过滤器。
1.卷积(Convolution)
f(x) * g(x) =
#+ 3
-3
f(a)g(x -
a )d a
图像 （5×5）
卷积神经网络CNN的基本概念
神经元结构
全连接(Full Connected)
每一层的每个神经元都与下一层的每个神经元相连，这种连接关系称为全连接(FC)。
缺点： • 所有神经元都要与下层的神经元有关系，而不管它们相隔多远 • 计算量大
卷积神经网络CNN参数
卷积核大小 填充 步长
三者共同决定了卷积层输出特征图的尺寸
2.填充(Padding)
图像
卷积核
5×5 * f:3×3
图像输出 3×3
怎样实现输入图像和输出图像大小一致？ -> 填充（padding） p=(f-1)/2
（7×7）
*
过滤器 （3×3）
（5×5）
3.步长(Stride)
卷积时是通过一步一步的移动卷积核窗口将图像卷积完成，一般一次只移动一格，实
f(x) * g(x) =
#+ 3
-3
f(a)g(x -
a )d a
图像 （5×5）
*
过滤器 （3×3）
用卷积核将相邻像素之间的“轮廓”过滤出来
卷积后特征 （3×3）
2.填充(Padding)
一个n×n的图像经过f×f的卷积核处理后 图像变小了，如果神经网络层数越来越多，会越来越小 边缘部分的信息用到很少
有时候你不仅想检测灰度图像的特征，也想检测RGB彩色图像的特征，一般彩色图像
有三个颜色通道，对应红绿蓝三种颜色，我们称为通道（Channel） 。
*
图像 （5×5×3）
channels
过滤器 （3×3×3）
channels
卷积后特征 （3×3×1）
4.通道(Channel)
有时候你不仅想检测灰度图像的特征，也想检测RGB彩色图像的特征，一般彩色图像
4.通道(Channel)
有时候你不仅想检测灰度图像的特征，也想检测RGB彩色图像的特征，一般彩色图像
有三个颜色通道，对应红绿蓝三种颜色，我们称为通道（Channel） 。
*
图像 （5×5×3）
channels
过滤器 （3×3×3）
channels
卷积后特征 （3×3×1）
4.通道(Channel)
O=(n-f+2p)/s+1
例子 以刚才的例子为例，输入图像5×5，过滤器3×3，填充1，步长2， 则输出大小为（5-3+2×1）/2+1=3，输出为3×3大小的图像。
4.通道(Channel)
有时候你不仅想检测灰度图像的特征，也想检测RGB彩色图像的特征，一般彩色图像
有三个颜色通道，对应红绿蓝三种颜色，我们称为通道（Channel） 。
*
过滤器 （3×3）
用卷积核将相邻像素之间的“轮廓”过滤出来
卷积后特征 （3×3）
1.卷积(Convolution)
f(x) * g(x) =
#+ 3
-3
f(a)g(x -
a )d a
图像 （5×5）
*
过滤器 （3×3）
用卷积核将相邻像素之间的“轮廓”过滤出来
卷积后特征 （3×3）
1.卷积(Convolution)
3.步长(Stride)
卷积时是通过一步一步的移动卷积核窗口将图像卷积完成，一般一次只移动一格，实
际上移动的步伐可以迈得更大，这个步伐的长度就叫做步长（Stride）。
例如：S=2
图像 （5×5）
*
过滤器 （3×3）
卷积后特征 （2×2）
卷积输出大小计算
公式 假设 输入图像n×n，过滤器f×f，填充p，步长s，则输出
f(x) * g(x) =
#+ 3
-3
f(a)g(x -
a )d a
图像 （5×5）
*
过滤器 （3×3）
用卷积核将相邻像素之间的“轮廓”过滤出来
卷积后特征 （3×3）
1.卷积(Convolution)
f(x) * g(x) =
#+ 3
-3
f(a)g(x -
a )d a
图像 （5×5）
*
过滤器 （3×3）
例如：S=2
图像 （5×5）
*
过滤器 （3×3）
卷积后特征 （2×2）
3.步长(Stride)
卷积时是通过一步一步的移动卷积核窗口将图像卷积完成，一般一次只移动一格，实
际上移动的步伐可以迈得更大，这个步伐的长度就叫做步长（Stride）。
例如：S=2
图像 （5×5）
*
过滤器 （3×3）
卷积后特征 （2×2）
用卷积核将相邻像素之间的“轮廓”过滤出来
卷积后特征 （3×3）
1.卷积(Convolution)
Leabharlann Baidu
f(x) * g(x) =
#+ 3
-3
f(a)g(x -
a )d a
图像 （5×5）
*
过滤器 （3×3）
用卷积核将相邻像素之间的“轮廓”过滤出来
卷积后特征 （3×3）
1.卷积(Convolution)
f(x) * g(x) =
#+ 3
-3
f(a)g(x -
a )d a
图像 （5×5）
*
过滤器 （3×3）
用卷积核将相邻像素之间的“轮廓”过滤出来
卷积后特征 （3×3）
1.卷积(Convolution)
f(x) * g(x) =
#+ 3
-3
f(a)g(x -
a )d a
图像 （5×5）
*
过滤器 （3×3）
例如：三个通道分别为
红色通道
绿色通道
蓝色通道
4.通道(Channel)
有时候你不仅想检测灰度图像的特征，也想检测RGB彩色图像的特征，一般彩色图像
有三个颜色通道，对应红绿蓝三种颜色，我们称为通道（Channel） 。
*
图像 （5×5×3）
channels
过滤器 （3×3×3）
channels
卷积后特征 （3×3×1）
际上移动的步伐可以迈得更大，这个步伐的长度就叫做步长（Stride）。
例如：S=2
图像 （5×5）
*
过滤器 （3×3）
卷积后特征 （2×2）
3.步长(Stride)
卷积时是通过一步一步的移动卷积核窗口将图像卷积完成，一般一次只移动一格，实
际上移动的步伐可以迈得更大，这个步伐的长度就叫做步长（Stride）。