边缘检测例子

填充Padding

• Valid Padding
  p=0,output=1+n−fs$p=0,output=1+\frac{n-f}{s}$
• Same Padding
  保持卷积输出和输入维度相同，
  1+n−f+2ps=n$1+\frac{n-f+2p}{s}=n$
  p=(n−1)s−n+f2$p=\frac{(n-1)s-n+f}{2}$

卷积步长Stride

每次卷积核卷积操作后平移的维度。
⌊n−f+2ps+1⌋$\lfloor \frac{n-f+2p}{s}+1\rfloor$
当s=1,f=3,p=1或s=1,f=5,p=2时，卷积前后尺寸不变。

三维上的卷积

设输入维度n∗n∗depth$n\ast n\ast depth$，卷积核个数为nc$n_c$(即为输出通道数量)，则卷积核维度depth∗f∗f∗nc$depth\ast f\ast f\ast n_c$，
共有nc$n_c$个卷积核，每个卷积核对上一层depth$depth$个feature map进行卷积操作。
则输出维度(n−f+1)∗(n−f+1)∗nc$(n-f+1)\ast (n-f+1)\ast n_c$。
每个卷积核的参数量为f∗f∗depth+1$f\ast f\ast depth+1$

池化层Pooling Layer

池化一般分为MaxPooling和AveragePooling。池化层没有需要学习的参数。
与卷积层不同的是，池化操作是分别对每个切片单独进行计算的。而三维卷积是对所有切片一起计算的。
通常使用Valid Padding，即padding size =0。
设输入维度n∗n∗depth$n\ast n\ast depth$，池化层参数f∗f$f\ast f$
则输出维度(n−f+1)∗(n−f+1)∗depth$(n-f+1)\ast (n-f+1)\ast depth$。

使用卷积的原因

• 参数共享
  通常一个特征检测子（如边缘检测）在图像某一部位有用也在其他部位生效。
  同一个卷积核在图像的不同部位保持同一组参数。
• 稀疏连接
  每一层的输出只依赖于前一层一小部分的输入。

CNN的反向传播

池化层的反向传播

CNN是全连接特殊形式，所以局部感受野之外的神经元为0，核参数在神经元之间共享。

参考资料

《深度学习》deeplearning.ai