标签：一个 inf ... 函数 区域 图片 输出 bsp 卷积层
卷积层和池化层
一、卷积神经网络的权重共享
经典神经网络：全连接，即每个神经元都与每一个数据有对应的参数；
卷积神经网络是权重共享的，就是得到的特征图的每个像素点都是原图的一个区域（如5*5*3，有3个颜色通道）与filter（卷积算子，如5*5*3，有75个权重参数）对位相乘加和的结果，这里特征图中所有像素点就共享了这个filter的75个权重参数。
二、输出大小计算
三、池化层（Pooling Layer）
对特征图的操作，而不是输入图像数据。是对特征图的特征压缩，没有权重参数。有两种方式分别为mean pooling和max pooling。
四、卷积神经网络组成图示
输入--conv+RELU（激活函数非线性）--conv+RELU--POOLING--conv+RELU（激活函数非线性）--conv+RELU--POOLING...
最后一层结果与全连接层相连，相当于把最后的特征拿出来，FC就是最终的特征向量，可以用于分类和回归任务。
标签：一个 inf ... 函数 区域 图片 输出 bsp 卷积层
原文地址：https://www.cnblogs.com/zzx1905/p/CONV_POOLING.html
