卷积参数共享原则&池化层(Pooling)原理

说在前头

理解不清楚的同学，可以看视频教程（下篇）

资料下载地址

1-1感受卷积神经网络的强大14：55

1-2卷积层详解12：53

1-3卷积计算流程12：30

1-4卷积核心参数分析13：13

1-5卷积参数共享原则08：09

1-6池化层(Pooling)原理08：24

1-7卷积神经网络反向传播原理14：44

1-8实现卷积层的前向传播与反向传播10：19

1-9实现pooling层的前向传播与反向传播12：00

1-10经典卷及网络架构实例20：35

1-11RNN网络结枘08：39

1-12python实现RNN算法33：46

1-13LSTM网络结构简介12：36

1-14分类与回归(Location)任务应用详解33：30

1-15物休检实例33：16

1-16如何巧妙设计网络结枘21：52

1-17训练技巧之数据增强12．20

1-18训练技巧之Transfer Learning11：09

1-19深度学习框架caffe简介20：43

2-0深度学习框架caffe训练过程20：39

2-1深度学习框架caffe接囗使用实例

全连接的结构有没有什么弊端呢？

    答：参数过于多，无论从效果还是效率上来说，都存在着很大的问题。

卷积神经网路有一个重要的特性，就是他会做一个权重的共享。

权重共享：每个特征图上，每个点，都进行权重共享。

权重共享的特性：如上图所示，每个特征图上，只有5*5*3个特性，一共75个参数就OK。还有一个偏置，一共76个参数。如果提取了十个特征图，那么只需要760个参数就可以了，相比传统的神经网络来说，省了太多。

池化层

假设我们现在有这样一个特征图，大小为224*224*64

池化层的意思就是选出一个窗口，之后将窗口里的特征进行压缩。

压缩方式也比较简单，一般来说有两种压缩方式，一种是mean方式，一种是max方式。

MAX POOLING 例子   

现在我们可以完整的看一下卷积神经网络的工作流程。

step1：假设小车是我们的一个输入。

step2：将我们输入的图像进行一次卷积

step3: 用RELU函数进行激活

step4：将我们输入的图像进行一次卷积

step5：用RELU函数进行激活

step6：之后进行池化层操作

通过不断的卷积核不断的池化操作，要对特征不断的进行提取。

最后我们拿到了最后的特征FC，我们用最后的特征去做一些任务。