CNN kernel与模型参数量、计算量与模型参数量、计算量
CNN基础知识不牢固，总是会有一些理解不透彻的问题与地方。在此集中对kernel的参数、卷积过程以及channel进行回顾性
总结理解。
1、卷积过程基本概念、卷积过程基本概念
本部分我在CSDN博客 第一部分有针对卷积过程的基本叙述，但是事实上长期不回顾就会有遗忘与不理解，重点还是要时时
温故而知新，并且需要对基础知识弟子打牢。
1.1、、feature map
在cnn的每个卷积层，数据都是以三维形式存在的。你可以把它看成许多个二维图片叠在一起（像豆腐皮一样），其中每一个
称为一个feature map。
输入层：在输入层，如果是灰度图片，那就只有一个feature map；如果是彩色图片，一般就是3个feature map（红绿蓝）。
中间层或者输出层：层与层之间会有若干个卷积核（kernel）。上一层中全部的feature map和一个卷积核做卷积，都会产生
下一层的一个feature map；若设置有N个卷积核，下层就会产生N个feather map。
注意一般卷积核未3*3大小，但是要注意卷积核是有channel的，channel数目与上层所对应的feature map个数完全相同。
1.2、卷积核、卷积核
卷积核在有的文档里也称为过滤器（filter）：
每个卷积核具有长宽深三个维度；
在某个卷积层中，可以有多个卷积核：下一层需要多少个feather map，本层就需要多少个卷积核。
再来看看卷积核的计算过程：举例vgg网络来说，输入224x224x3（rgb三通道），输出是32位深度，卷积核尺寸为5×5。
那么我们需要32个卷积核，每一个卷积核的尺寸为5x5x3（最后的3就是原图的rgb位深3），每一个卷积核的每一层是
5×5（共3层）分别与原图的每层224×224卷积，然后将得到的三张新图叠加（算术求和），变成一张新的feature map。 该过
程重复32遍则可以得到该层的输出。
不管输入图像的深度为多少，经过一个卷积核（filter），最后都通过下面的公式变成一个深度为1的特征图。不同的filter可以
卷积得到不同的特征，也就是得到不同的feature map。
1.3、卷积核计算过程的理解：、卷积核计算过程的理解：
因为卷积核实际上就是如3×3，5×5这样子的权值（weights）矩阵。我们的网络要学习的其实就是这些权值（weights）的数
值。网络不断前后向的计算学习，一直在更新出合适的weights，也就是一直在更新卷积核。卷积核在更新了，学习到的特征
也就被更新了
卷积神经网络的一整套流程就是：更新卷积核参数（weights），就相当于是一直在更新所提取到的图像特征，以得到满足深
度学习任务要求的特征。
2、深度学习网络的计算量与参数量、深度学习网络的计算量与参数量
这部分我们在具体的深度学习任务中使用的非常多，涉及到模型的评价与改进；在此对模型的计算量与参数量分别进行总结。
2.1、参数量：、参数量：
决定模型的大小，尤其在移动端存储空间寸土寸金的现状下，减小模型的参数量非常有必要。
评论0