卷积神经网络（Convolutional Neural Network，CNN）针对全连接网络 的局限做出了修正，加入了卷积层（Convolution层）和池化层（Pooling 知 层）。
CNN被广泛应用于图像识别、语音识别等各种场合，在图像识别的比赛中， 基于深度学习的方法几乎都以CNN为基础（比如，AlexNet、VGGNet、 Google Inception Net及微软的ResNet等）上。近几年深度学习大放异彩， CNN功不可没。
单通道，二维卷积运算示例：
如上图所示，红色的方框圈中的数字和卷积核乘积再相加得到输出数据。
单通道，二维，带偏置的卷积示例：
带偏置的计算实在上述乘积运算之后加上偏置。
带填充的单通道，二维卷积运算示例：
输出矩阵的大小计算
多通道卷积计算
- 每个通道先与第一组卷积核执行卷 积，然后多通道结果叠加，产生一 个输出
- 每个通道与下一组卷积核执行卷积， 产生另一个输出
- 有多少组卷积核，就有多少个通道 输出
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请联系我们举报，一经查实，本站将立刻删除。
发布者：全栈程序员-站长，转载请注明出处：https://javaforall.net/232788.html原文链接：https://javaforall.net
