本文主要是介绍卷积神经网络的基本概念——【1】卷积和池化，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
卷积神经网络利用滤波器（即内核）来检测图像中展示的特征，例如边缘。卷积神经网络四个主要的操作如下：
- 卷积
- 非线性(ReLU)
- 池化或子采样(Sub Sampling)
- 分类（全连接层）
一、卷积
卷积是两股信息源交织在一起的有序的过程；亦是一个把函数转换成其它东西的操作。
卷积已经长时间在图像处理中被用于模糊和锐化图像，但也执行其它操作如增强边缘和浮雕(emboss)。卷积神经网络增强了相邻神经元之间的局部连接模式。
卷积层：
卷积神经网络的第一层永远是卷积层。卷积层对输入进行卷积操作，把结果传给下一层。一个卷积操作将感受野内的所有像素转换昵称一个值。例如，如果你对一个图像进行卷积操作，相当于你把图像尺寸变小了，或者说把感受野内所有的信息变成了一个像素。最后卷积层的输出就变成了一个vector向量，如[1,2,3]这种。基于要处理问题的类型和我们希望学习的特征的种类，我们可以使用不同种类的卷积。
二、池化
池化操作包括在特征图的每个通道上滑动一个二维的滤波器，并求出被滤波器覆盖的区域的特征和。
对于一个维度为的 特征图，经过一个池化层获得的输出的维度为：
其中, 分别为特征图的高度、宽度、通道数目。f为滤波器的大小，s为滤波器移动的步长。
一个常见的卷积神经网络模型结构有多个卷积和池化层，一个个堆叠在一起。
使用池化的原因：池化层被用于减少特征图的维度，由此可以减少需要学习的参数和网络中计算的次数；池化层对卷积层产生的特征图的区域中的特征进行了求和，因此，更进一步的操作是在求和的特征上进行的，而不是被卷积层产生的精准位置的特征。池化使得模型对于输入图片的特征位置的变化更具有鲁棒性。
最大池化（max pooling）:
平均池化是将滤波器覆盖范围内的特征图中的元素取平均值。因此最大池化就是给出特征图 特定批次patch的最显著特征，即取元素最大值。示例图如下：
这篇关于卷积神经网络的基本概念——【1】卷积和池化的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
