Fully Connected Layer

對于一個32×32的RGB圖像，有三個顏色通道，故轉換成30172×1的向量

Wx 10×3072表示有10個類別，每個類別的權重用1×3072的向量表示，圖像向量與類別權重作點乘即得到每個類別的評分

Convolution?Layer

5×5×3?的卷積核用來做過濾器

圖像是32×32×3的 ，所以卷積核需要在圖像上滑動才能在空間覆蓋整張圖像

做點乘的時候，為方便計算依然是轉成向量的方式

當卷積核從圖像的邊角處開始，以步長為1的速度劃過整張圖，對每一個位置都進行點積運算，得到一個28*28*1的activation map

如果我們使用6個5*5*3的卷積核，則得到一個28*28*6的activation maps

在這里，原始圖像深度為3，中間的激活映射深度為6，綠色的深度是10，一個深度遞增的過程，也是實踐中得到的經驗

具體的在操作中卷積核的大小，滑動的步長，采用多少個卷積核都需要視情況而定

卷積核通常從圖像（輸入層）的邊界處開始滑動，從左往右，從上往下，移動的步長通常可以設為1, 2，...等，輸出的activation map的尺寸的計算公式為（N - F）/stride + 1?，

N表示輸入尺寸

F表示卷積核的尺寸

stride表示步長

上圖中的N = 7，F = 3，當步長等于1或2時，都沒有問題，但當步長等于3時，卷積核不能完全覆蓋整個輸入

In practice: Common to zero pad the border

做零填充的目的是為了保持輸入圖像的尺寸，假如你有多個卷積層時，輸入層的遲鈍會迅速縮小，這樣就丟失了很多信息，你只能用到很少的值來表示你的原始圖像，另外每次圖像尺寸縮小，邊角處的信息也會丟失更多

?

總結

以上是生活随笔為你收集整理的CS231n：卷积神经网络的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。