CV：CNN概述重复卷积池化模块m次后接全连接层；输出长宽尺寸O=(I + 2P - F)/S + 1；通道数K

卷积神经网络（CNN）深度学习模型

• 一、概述

  • 二、CNN的组成

    • 1、输入层

    • 2、卷积层(Convolution)

      • 2.1 感受野(Receptive Field)
      • 2.2 过滤器(Filter)/卷积核(Kernel)
      • 2.3 单通道(channels)图像与过滤器(Filter)的卷积操作
      • 2.4 多通道(channels)图像与过滤器(Filter)的卷积操作
      • 2.5 神经元
      • 2.6 空间排列(Spatial arrangement)
      • 2.7 卷积层中各层参数的数量
      • 2.8 各层卷积层的输入维度及输出维度
      • 2.9 卷积层与全连接神经网络之间的差异

    • 3、激活函数

    • 4、下采样层(Subsampling)/池化层(Pooling Layer)

      • 4.1 尺寸为2×2的池化层
      • 4.2 各池化层的输入、输出以及参数

    • 5、上采样层(Upsampling)

    • 6、全连接层(Fully-connected layer)

    • 7、ReLU层

  *三、CNN in Keras
  四、CNN的训练过程