卷积神经网络简介

相比于MLP（多层感知器）的神经网络，CNN（卷积神经网络）有卷积层和池化层。

在构建MNIST字符集的识别训练过程中，卷积神经网络采用了：

输入层 卷积层1 池化层1 卷积层2 池化层2 平坦层 隐层层 输出层

输入层输入二维的图像，28X28的一个矩阵。

在卷积层1，将输入层的一个矩阵图像，采用16个filter weight产生的随机5X5的零一矩阵和输入层的28X28的矩阵相乘加，变成16个28X28的矩阵图像。类似滤镜，用于提取输入图像的特征，如边缘，线条和角。

在层化层1，将卷积层1输出的16个矩阵图像，进行Max-Pool缩减采样，每4个单元选出最大值进行缩减，变成14X14的矩阵图像，共16个。缩减采样可以减少所需处理的数据点，让图像位置差异变小，参数的数量和计算量下降。

在卷积层2，将池化层1输入的16个14X14矩阵图像采用36个filger weight5X5，进行乘加，产生36个14X14的图像。

在池化层2，将卷积层2产生的36个矩阵图像，进行Max-Pool缩减采样，每4个单元选出最大值进行缩减，变成7X7的矩阵图像，共36个。

在平坦层，作为神经网络的输入部分，36X7X7=1764个神经元。

隐层128个神经元，输出层10个。其他类似MPL网络。

原文地址：https://www.cnblogs.com/bai2018/p/10413889.html