个人的对于CNN总结的一些知识点

对于每一个卷积层来说，其out_channel就是卷积核的个数：

对每个输入的图片（就是每一个（C,H,W）的矩阵，一共有batch_size个），卷积核从第0到第in_channel个通道上，进行从[0,0]到[H+2*pad-HH,W+2*pad-WW]的卷积（没有padding的情况下，HH,WW是卷积核的高和宽）（卷积的实际意思：用卷积核W * 像素矩阵中与W相同size的区域），把C个通道卷积的结果相加，最后再加上偏置，就得到了一层output，假如有F个卷积核，那么就会得到F层结果，F也就是Out_channel。

input:(N,C,H,W)

output:(N,F,H',W')

在反向传播中，同一感受野的所有像素更新同样大小的梯度（感受野就是卷积核的大小），x的更新以感受野为单位

out[n,f,i//stride,j//stride]=np.sum(x[n,:,i+HH,j+WW]*Wf)+bf

池化和卷积的不同之处：

池化核（并没有这个核，池化只是有一个框架，但我称之为池化核）没有参数。池化核（或许可以称之为池化窗口）在每个通道分别滑动，以池化核的size为单位进行Max或者mean的操作实现降采样，产生out_channel=in_channel的结果，池化只是改变了Input的H和W。池化主要用来实现下采样。

反卷积ConvTranspose是实现上采样，扩增数据，生成分辨率更高的数据的。

下采样：减少数据采样率或分辨率

池化的作用：

①相当于图片的resize，去掉一些不重要的信息，留下具有尺度不变性的信息

②减少特征图的维度，去除冗杂信息