CNN的组成

这个最简单的卷积神经网络说到底，终究是起到一个分类器的作用

卷积层负责提取特征，采样层负责特征选择，全连接层负责分类

卷积层

1.作用

特征提取

2. 卷积核/滤波器

Filter ==kernel

每个kernel中的数字，就是weight

表示形式：filter_shape[filter高度，filter宽度，图片通道数，卷积核个数]

3. 卷积过程

和图像进行卷积（点乘），来提取特征，得到特征值destination value

4. 输入/输出

输入：

图片image [图片个数，图片高度，图片宽度，图片通道数]

输出：

特征图——feature map（几个卷积核，每张图就输出几个feature map）

5.padding

每次卷积，图像都缩小，这样卷不了几次就没了； - 相比于图片中间的点，图片边缘的点在卷积中被计算的次数很少。这样的话，边缘的信息就易于丢失。

为了解决这个问题，我们可以采用padding的方法。我们每次卷积前，先给图片周围都补一圈空白，让卷积之后图片跟原来一样大，同时，原来的边缘也被计算了更多次。

比如，我们把(8,8)的图片给补成(10,10)，那么经过(3,3)的filter之后，就是(8,8)，没有变。

我们把上面这种“让卷积之后的大小不变”的padding方式，称为 “Same”方式， 把不经过任何填白的，称为 “Valid”方式。

处理边界的操作，可以补0（zero padding）

6.实现

tf.nn.conv2d(input, filter, strides, padding, use_cudnn_on_gpu=None, name=None)
• input：

指需要做卷积的输入图像，它要求是一个Tensor，具有[batch, in_height, in_width, in_channels]这样的shape，具体含义是[训练时一个batch的图片数量, 图片高度, 图片宽度, 图像通道数]，注意这是一个4维的Tensor，要求类型为float32和float64其中之一

• filter：

相当于CNN中的卷积核，它要求是一个Tensor，具有[filter_height, filter_width, in_channels, out_channels]这样的shape，具体含义是[卷积核的高度，卷积核的宽度，图像通道数，卷积核个数]，要求类型与参数input相同，有一个地方需要注意，第三维in_channels，就是参数input的第四维

• strides：卷积时在图像每一维的步长，这是一个一维的向量，长度4

• padding：

string类型的量，只能是”SAME”,”VALID”其中之一，这个值决定了不同的padding方式

• use_cudnn_on_gpu：

bool类型，是否使用cudnn加速，默认为true

结果返回一个Tensor，这个输出，就是我们常说的feature map