[深度学习]CNN网络架构

CNN网络架构

一个卷积神经网络由若干卷积层、Pooling层、全连接层组成。你可以构建各种不同的卷积神经网络，它的常用架构模式

INPUT -> [[CONV]*N -> POOL?]*M -> [FC]*K
也就是N个卷积层叠加，然后(可选)叠加一个Pooling层，重复这个结构M次，最后叠加K个全连接层。

图展示的卷积神经网络：

• INPUT -> CONV -> POOL -> CONV -> POOL -> FC -> FC

按照上述模式可以表示为：

• INPUT -> [[CONV]*1 -> POOL]*2 -> [FC]*2
  也就是：N=1, M=2, K=2。

卷积神经网络的层结构和全连接神经网络的层结构不同：

• 全连接神经网络每层的神经元是按照一维排列的，也就是排成一条线的样子
• 而卷积神经网络每层的神经元是按照三维排列的，也就是排成一个长方体的样子，有宽度、高度和深度

卷积计算

• 输入层的宽度和高度对应于输入图像的宽度和高度，而它的深度为1。
• 第一个卷积层对这幅图像进行了卷积操作，得到了三个Feature Map。这里的“3”是指这个卷积层包含三个Filter(也就是三套参数），每个Filter都可以把原始输入图像卷积得到一个Feature Map，三个Filter就可以得到三个Feature Map。
• 至于一个卷积层可以有多少个Filter，那是可以自由设定的。也就是说，卷积层的Filter个数也是一个超参数。我们可以把Feature Map可以看做是通过卷积变换提取到的图像特征，三个Filter就对原始图像提取出三组不同的特征，也就是得到了三个Feature Map，也称做三个通道(channel)。

池化

• 在第一个卷积层之后，Pooling层对三个Feature Map做了下采样，得到了三个更小的Feature Map。
• 接着，是第二个卷积层，它有5个Filter。每个Fitler都把前面下采样之后的3个**Feature Map卷积在一起，得到一个新的Feature Map。这样，5个Filter就得到了5个Feature Map。
• 接着，是第二个Pooling，继续对5个Feature Map进行下采样**，得到了5个更小的Feature Map。

全连接

图所示网络的最后两层是全连接层；

• 第一个全连接层的每个神经元，和上一层5个Feature Map中的每个神经元相连；
• 第二个全连接层(也就是输出层)的每个神经元，则和第一个全连接层的每个神经元相连，这样得到了整个网络的输出。

文章来源: xuesong.blog.csdn.net，作者：内核笔记，版权归原作者所有，如需转载，请联系作者。

原文链接：xuesong.blog.csdn.net/article/details/91355222