4.1 卷积神经网络

1. 边缘检测

2. Padding

　　为了解决两个问题：

　　　　1.输出缩小。卷积操作后图像由(n,n)变成了(n-f+1,n-f+1)

　　　　2.丢失图像边缘的大部分信息

　　在卷积操作前对图像边缘进行填充，填充p个像素点。则填充并进行卷积后图像尺寸为(n+2p-f+1, n+2p-f+1)

　　选择填充size：valid卷积：不填充

　　　　　　　　same卷积：填充并卷积后的图像尺寸和原图像尺寸一样，即n+2p-f+1=n

3. 步长

　　设 输入为n*n, 过滤器f*f, padding=p， 步长=s.　　则输出为((n+2p-f)/s+1, (n+2p-f)/s+1).商不是整数时向下取整

4. 池化层

5. 超参数

　　尽量不要自己设置超参数，应当查看别人文献中怎么样设置的

　　随着层数加深，$n_{h},n_{w}$通常会减少，而信道数通常增加

　　池化层没有参数，卷积层参数较少，大部分参数都在FC层

卷积的优势：参数共享，稀疏连接

卷积层的超参数：卷积核大小，步长

池化层超参数：池化类型，核大小，步长