1.卷積作用及特點
卷積是一種數(shù)學(xué)運算，在數(shù)字圖像處理中，運用色譜算子和拉普拉斯算子等卷積核對圖像進行卷積钠惩，從而實現(xiàn)提取圖像的邊緣特征睁蕾。因此我們可以使用不同的卷積核來提取圖片的不同的特征苞笨。但我們又不知道對于龐雜的圖片，我們需要提取圖片的哪部分特征子眶，所以將卷積放入神經(jīng)網(wǎng)絡(luò)中瀑凝，讓它不斷的學(xué)習(xí)，自己來更新卷積核臭杰，找到提取心儀的特征所需要的最合適的卷積核粤咪。（這里我突然對深度學(xué)習(xí)有了一點感悟，他就像是一個求函數(shù)的未知參數(shù)的過程渴杆，通過數(shù)據(jù)集寥枝，不斷更新參數(shù)，找到最合適的參數(shù)磁奖，以適應(yīng)普遍的狀況囊拜，也即泛化）。
2.卷積方式推導(dǎo)
卷積過程圖示：1.對一個id*id的圖片用fd*fd的卷積核進行卷積之后比搭，得到的feature map? 的尺寸是cd*cd cd= id-fd+1冠跷；也即卷積之后圖片的尺寸會縮小，所以如果不希望圖片縮小身诺，可以在原始圖片周圍pading 0.?
2.卷積核是一個三維的蔽莱，他的第三個維度對應(yīng)前一層輸入的通道數(shù)，也即前一層輸入幾個圖片戚长，他的第三維就是幾盗冷，這個三維的卷積核會對所有的輸入圖像的作用進行疊加，從而使所有的圖像發(fā)生作用同廉。這一個三維的卷積核作用于前一層的所有輸出仪糖，得到的是一個feature map 柑司。而這一層有多少個卷積核（神經(jīng)元）決定這一層會輸出幾個feature map。
3.正向傳播锅劝，反向傳播
正向傳播：通常的卷積神經(jīng)網(wǎng)絡(luò)攒驰，基本都是這樣
圖片-> 卷積層 ->激活->pooling層->flaten ->全連接層
pooling層：是對提取的特征圖進行下采樣，可以壓縮數(shù)據(jù)量故爵，也可以防止過擬合玻粪。
反向傳播：
用loss function 對全連接層，pooling層诬垂，conv層求梯度劲室，更新w b ，當(dāng)然pooling層沒有可以更新的權(quán)值很洋。
4.ufldl中卷積實現(xiàn)
5.soft max函數(shù)隧枫，normal層
7.熵喉磁，loss function
