卷积层、过滤器和池化层.pptx

主讲教师：杨国华无锡商业职业技术学院数据科学与机器学习卷积层、过滤器、池化层

过滤器卷积层池化层小卷积层卷积层：用于特征提取，由一定数量的卷积核（或称过滤器）构成。因为卷积层的filter数量可以自定义，对于参数filter的个数是属于超参数，而特征图featuremap是通过卷积变换提取到的图像特征，因此3个filter可以提取RGB3个通道的特征图。所以假设有n个卷积核，则经过卷积后的输出的特征图有n个。如图2-8可知，一张像素值为28×28，灰度是1图片输入，如果使用了3个5×5卷积核进行运算，则会输出3个24×24的特征输出。

过滤器/卷积核以窗口方式在输入图像上从左到右移动，每次移动一格，步长为1。卷积核（kernel），单个浮点数矩阵。而在深度学习的定义当中，特征图（FeatureMap）是卷积核输出的一幅修改后的图像。

卷积层-padding每次卷积，图像都缩小，这样卷不了几次就没了；-相比于图片中间的点，图片边缘的点在卷积中被计算的次数很少。为了解决这个问题，我们可以采用padding的方法。我们每次卷积前，先给图片周围都补一圈空白（即数0），让卷积之后图片跟原来一样大，同时，原来的边缘也被计算了更多次。

卷积层-步幅Stride步幅Stride是卷积算法中卷积核移动的方格长度，不同的步长对于卷积出来下一个图层大小也不一样。使用的是3×3的卷积核对输入5×5的输入图层进行卷积操作，也是不使用padding填充操作，卷积核的移动步幅为2，所以最终输出的卷积后的图层也是为2×2的像素值大小。使用3×3的卷积核对4×4的输入图层进行卷积操作，不使用padding填充零，卷积核的移动步伐stride为1，所以经过卷积后的输出图层为2×2。

池化层将卷积网络预处理的的图层再进行特征选择。池化层又可以分为Maxpooling最大值池化层和avgpooling均值池化层。池化层的最主要的作用是下采样，其中最大值池化层将对应的方格里面的值取最大值，均值池化层则使用对方格里面的值取平均值到下一图层。最大池化

卷积层的定义使用kears定义卷积层keras.layers.Conv2D( filters, kernel_size, strides=(1,1), padding=‘valid’, activation=None……)ilters：卷积核的数量，决定输出数据的最后一维(channels)的大小。kernel_size：卷积核的大小（形状），决定输出数据height,width维度的大小。strides：卷积操作时步长，可以是一个整数代表height,width方向的步长相同，也可以是（x,y）表示height方向的步长为x,width方向的步长为y。padding：等于’valid’时卷积核在输入数据形状（height,width）最大范围内进行移动，等于’same’时如果（height,width）没有恰好完全符合设定的kernel_size和strides，超出的部分将会填充0.activation：激活函数

池化层的定义使用kears定义池化层keras.layers.MaxPooling1D(pool_size=2,strides=None,padding=valid,data_format=channels_last’)pool_size:整数，最大池化的窗口大小。strides:整数，或者是None。作为缩小比例的因数。例如，2会使得输入张量缩小一半。如果是None，那么默认值是pool_size。padding:valid或者same（区分大小写）。data_format:字符串，channels_last(默认)或channels_first之一。表示输入各维度的顺序。channels_last对应输入尺寸为(batch,steps,features)，channels_first对应输入尺寸为(batch,features,steps)。

小结卷积网络主要由卷积层和池化层构建过滤器只是在卷积时提供Keras的模型

谢谢观看