1，卷积

     卷积的定义： 卷积是两个变量在某范围内相乘后求和的结果

卷积运算可划分为三种：Same卷积、Valid卷积、Full卷积(反卷积)。

Same卷积

       通过Padding填充0运算保证卷积前后特征图大小不变，即W1=W2、H1=H2。公式为：(W1-F+2P)/S+1 = W2

若令W1=W2则可计算填充0的P的值为多少。如，令F=3，S=1，W1=5，则计算P=1.

Valid卷积

    不加入Padding运算，直接进行卷积运算，特征图会变小。公式为：(W1-F)/S+1=W2

    如，令W1=5，F=3，S=1，则W2=3

 Full卷积

      实现反卷积运算的核心步骤是在特征图中padding 0，然后进行卷积运算使得特征图变大。公式为：(W1-F+2P)/S+1 = W2

      如，令W1=5，F=3，P=2，S=1，则W2=7

2，反卷积（FCN反卷积）

       FCN反卷积 反卷积运算方式则不同于以上的Full卷积方式，而是首先对特征图各神经元之间进行0填充，即上池化；然后再进行卷积运算。计算公式为：(W1​−1)×S-2×P+F=W2

      通常卷积会造成分辨率降低，反卷积是卷积的逆向过程，就如卷积将4*4的变为2*2，反卷积的作用就是将2*2通过反卷积的作用，转换为4*4；

 3，卷积神经网络和BP神经网络的区别

   1）卷积神经网络中的神经元只与前一层中的部分神经元相连；

   2）BP神经网络前后层的神经元是全连接的。就是每个神经元和前一个神经元都会连接

4，感受野

    感受野就是某一层的输出结果的一个元素对应输入层的一个映射，即特征平面上的一个点对应的输入图像上的区域 ，感受野越大   ，得到的信息越多；

5，一层神经网络的参数量

    卷积神经网络某一层的参数由输入的通道数N，输出通道数M和卷积核的尺寸r，这一层的参数数量为M*N*r*r;

6，卷积神经网络的结构

层级网络，数据包括输入层，卷积层，激活层，池化层，全连接层等

输入层：就是原始图像，非提取的信息，因此卷积神经网络是一个无监督的特征学习网络

数据输入层主要对原始图像数据进行预处理，基础的操作包括去均值、灰度归一化，数据增强等；

卷积层：就是特征提取层，一般卷积神经网络包含多个卷积层，一个卷积层可以有多个不同的卷积核。通过不同的多个卷积核对图像进行预处理，提取特征，每个卷积核会映射出新的特征平面。再通过非线性激活函数对卷积结果进行处理；

激活层：卷积神经网络需要激活层进行特征的选择和抑制；

池化层：用于降低特征平面分辨率及抽象特征，可以有效的压缩网络参数和数据，减少过拟合。池化层最主要的作用就是压缩图像同时保存图像的特征不变；

全连接层：是卷积神经网络的最后，具有卷积核和偏移量两个参数。（fully connected layers，FC）在整个卷积神经网络中起到“分类器”的作用，全连接层则起到将学到的“分布式特征表示”映射到样本标记空间的作用。在实际使用中，全连接层可由卷积操作实现：对前层是全连接的全连接层可以转化为卷积核为1x1的卷积；而前层是卷积层的全连接层可以转化为卷积核为hxw的全局卷积，h和w分别为前层卷积结果的高和宽；

使用简单的卷积网络，但不推理，如3*3*5的卷积层输出层，怎样变成1*4096的形式

可以简单看做是下图的一个卷积方法

绿色的卷积核3x3x5，分别和灰色的5层卷积然后求和，放在全卷积的第一个位置。使用同理的方法，使用4096和3*3的卷积核，分别和5层卷积 ​​​​求和填入一维的全卷积中；我们实际就是用一个3x3x5x4096的卷积层去卷积激活函数的输出，作用是大大减少特征位置对分类带来的影响

损失层:作用找到最小化损失函数的参数值，常用的是SGD（随机梯度下降）算法来调整权值，孙损失层的输入就是网络的输出和真实的标签值；

精度层：求分类精度使用，精度层的输入是网络的输出的标签和数据集真实的标签，主要是一个反应网络性能指标的一个评判；

 上面的内容感谢博文;

​​​​​​Tensorflow反卷积（DeConv）实现原理+手写python代码实现反卷积（DeConv） - 简书h

还有言有三老师的书籍，这些笔记都是参考这两个老师。

7.什么是权重共享

    卷积核在进行计算的时候，如上图，滤波器中的参数是固定不变的，按照设定好的步数移动扫面完全部位置，参数（权重）共享就是说被扫描的像素全都共享这个滤波器中的权重进行计算。说白了就是所有被扫描的像素每一次都是用这个滤波器进行计算。