单层卷积网络/简单卷积网络示例

单层卷积网络

卷积网络实质上还是想通过输入得到想要的输出，离不开输入特征，权重，偏置，激活函数

为了减少权重参数采用了卷积网络

把输入看作是上一层的输出或初始输入a0，将过滤器看作是权重参数w

对于单个过滤器，两者进行卷积获得z=wa0,在利用广播机制加上偏置b1,再利用激活函数进行激活，将经过不同过滤器的输出组合到一起就得到了这层的输出，下层的输入，实际上整个流程还是和全连接相似。

不管输入数据多大，使用几个过滤器就提取几个特征，需要的参数不变，避免了大数据需要多的参数，避免了过拟合。

滤波器通道数与输入通道数相同，当前层输出与滤波器个数相同，m是batch_size,Activation是激活后的该层的输出的维度

简单卷积网络示例

nH,nw,nc分别是高，宽和通道数，f是卷积核长宽，s是步幅，p是填充

卷积神经网络变化趋势：长宽不断变小，通道数不断变大

在卷积网络最后一层，所有数据展平，作为全连接层的特征输入