介绍：这一个系列是我学习CNN过程中的一些学习笔记，由于是一边学一边写，所以内容会不断修改和更新。虽然我的专业课有人工智能，模式识别，机器学习等课程，但由于应用较少，所以这方面的知识也还在不断积累，有不对之处欢迎各位批评指正。

联系方式：2250017028@qq.com

一. 基础概念辨析

1. 卷积和交叉关联
图像的卷积表现为kernel在图像上移动并不断求积和，但是在数学上，需要将kernel作中心对称处理，再进行上述操作。在图像处理问题中，kernel作不作变换并不影响结果，所以都称为卷积。但是在信号处理问题中，由于需要满足卷积的结合律，一般需要对核先作中心对称处理。

2. 卷积输出图像的大小
i层的大小由（i-1）层的图像大小，模板大小，填补数，步长共同决定。

3. 卷积处理三维输入
kernel需要扩展为f * f * channel数的大小，在进行运算的时候，输出矩阵的每一个元素都是所有通道进行卷积的结果之和。

3. 多过滤器的卷积结果
卷积是为了提取特征，但有时候需要提取多个特征，这时候就需要使用多个卷积核进行处理（卷积核的大小要保持一致），得到的结果是每个卷积核处理后的结果进行叠加。

4. 卷积神经网络的特点

• 参数共享
  一个kernel可以应用在图像的每个部分，即无论一个特征在图像的哪个位置，都可以检测出来。
• 输入输出的联系稀疏
  图像的输出仅与少量的输入点相关。

5. CNN的组成
卷积层：使用kernel对图像进行卷积处理，提取图像特征。
池化层：一般采用最大池化，用于缩小图像，并放大特征
全连接层：对图像像素作线性处理