4.1.8 简单卷积网络示例
介绍一个简单的神经网络
举个例子
如图所示，这是一个简单的卷积神经网络
输入
输入是一个$$39393$$的RGB图像
第一层
- $$f^{[1]}=3$$：这一层的过滤器大小为3，即这是一个$$333$$的过滤器1。
- $$s^{[1]}=1$$：这一次卷积步长为1。
- $$p^{[1]}=0$$：这一次卷积不进行padding。
在进行完第一次积分之后，得到的结果为一个$$373710$$的矩阵，37是根据4.1.7介绍的输入输出公式计算的。$$n^{[l]}=\frac{n^{[l]}-f^{[l]}+2p^{[l]}}{s^{[l]}}+1$$ 10是因为这一层有10个过滤器。
第二层
第二层的输入是第一层的输出，也就是那个$$373710$$的矩阵
- $$f^{[2]}=5$$：这一层的过滤器大小为5，即这是一个$$5510$$的过滤器2。
- $$s^{[2]}=2$$：这一次卷积步长为2。
- $$p^{[1]}=0$$：这一次卷积不进行padding。
第二层的输出是$$171720$$，得出的原理在第一层介绍过。
第三层
原理与前面两层一样，这里省略。
一个完整的卷积积分神经网络
常用的卷积积分神经网络包括三个部分
- 卷积层（Convolution）（Conv）
- 池化层（Pooling）（Pool） 3.全连接层（Full connected）（FC）
尽管并不是一定需要这三层，但是在实际使用中还是基本都有这三次。
1. 过滤器的通道数要和输入图片的通道数相同，所以为3. ↩
2. 如同之前提到原因：过滤器的通道数要和输入图片的通道数相同，所以为10. ↩