（一）网络结构

一个卷积神经网络里包括5部分——输入层、若干个卷积操作和池化层结合的部分、全局平均池化层、输出层：
● 输入层：将每个像素代表一个特征节点输入进来。
● 卷积操作部分：由多个滤波器组合的卷积层。
● 池化层：将卷积结果降维。
● 全局平均池化层：对生成的feature map取全局平均值。
● 输出层：需要分成几类，相应的就会有几个输出节点。每个输出节点都代表当前样本属于的该类型的概率。

(二)卷积操作

卷积分为窄卷积、全卷积和同卷积。

（1）步长

步长（stride）表示卷积核在图片上移动的格数.

● 当步长为1的情况下，如图中，第二行右边的feature map块里的第二个元素3，是由卷积核计算完第一个元素4，右移一格后计算得来的，相当于图片中的前3行和第1到第4列围成的3×3矩阵与卷积核各对应元素进行相乘相加操作（3=1×1+1×0+0×1+1×0+1×1+1×0+0×1+1×0+1×1）。
● 当步长为2的情况下，就代表每次移动2个格，最终会得到一个如图8-5中第二行左边的2×2矩阵块的结果。

（2）窄卷积

窄卷积（valid卷积），从字面上也可以很容易理解，即生成的feature map比原来的原始图片小，它的步长是可变的。假如滑动步长为S，原始图片的维度为N1×N1，那么卷积核的大小为N2×N2，卷积后的图像大小**(N1-N2)/S+1×(N1-N2)/S+1**。

（3）同卷积

同卷积（same卷积），代表的意思是卷积后的图片尺寸与原始图片的尺寸一样大，同卷积的步长是固定的，滑动步长为1。一般操作时都要使用padding技术（外围补一圈0，以确保生成的尺寸不变）。

（4）全卷积

全卷积（full卷积），也叫反卷积，就是把原始图片里的每个像素点都用卷积操作展开。如图示，白色的块是原始图片，浅色的是卷积核，深色的是正在卷积操作的像素点。反卷积操作的过程中，同样需要对原有图片进行padding操作，生成的结果会比原有的图片尺寸大。

(三)池化层

池化的主要目的是降维，即在保持原有特征的基础上最大限度地将数组的维数变小。池化中只关心滤波器的尺寸，不考虑内部的值。算法是，滤波器映射区域内的像素点取取平均值或最大值。

1．均值池化

就是在图片上对应出滤波器大小的区域，对里面的所有不为0的像素点取均值。这种方法得到的特征数据会对背景信息更敏感一些。注意：一定是不为0的像素点，这个很重要。如果把带0的像素点加上，则会增加分母，从而使整体数据变低。

2．最大池化

最大池化就是在图片上对应出滤波器大小的区域，将里面的所有像素点取最大值。这种方法得到的特征数据会对纹理特征的信息更敏感一些。

3．反向传播

对于最大池化，直接将其误差还原到对应的位置，其他用0填入；对于均值池化，则是将其误差全部填入该像素对应的池化区域。该部分的详细算法也与反池化算法完全相同

(四)卷积神经网络的相关函数

在TensorFlow中，使用tf.nn.conv2d来实现卷积操作，使用tf.nn.max_pool进行最大池化操作。通过传入不同的参数，来实现各种不同类型的卷积与池化操作。

1 卷积函数tf.nn.conv2d

   tf.nn.conv2d(input, filter, strides, padding, use_cudnn_on_gpu=None, name=None)

● input：指需要做卷积的输入图像，它要求是一个Tensor，具有[batch, in_height,in_width, in_channels]这样的形状（shape），具体含义是“训练时一个batch的图片数量，图片高度，图片宽度，图像通道数”，注意这是一个四维的Tensor，要求类型为float32和float64其中之一。

● filter：相当于CNN中的卷积核，它要求是一个Tensor，具有[filter_height,filter_width, in_channels, out_channels]这样的shape，具体含义是“卷积核的高度，滤波器的宽度，图像通道数，滤波器个数”，要求类型与参数input相同。有一个地方需要注意，第三维in_channels，就是参数input的第四维。

● strides：卷积时在图像每一维的步长，这是一个一维的向量，长度为4。

● padding：定义元素边框与元素内容之间的空间。string类型的量，只能是SAME和VALID其中之一，这个值决定了不同的卷积方式，padding的值为’VALID’时，表示边缘不填充，当其为’SAME’时，表示填充到滤波器可以到达图像边缘。

● use_cudnn_on_gpu:bool类型，是否使用cudnn加速，默认为true

● 返回值：tf.nn.conr2d函数结果返回一个Tensor，这个输出就是常说的feature map。

1.1padding规则介绍

1．padding为VALID情况

    output_width=(in_width-filter_width + 1)/strides_ width（结果向上取整）output_height=(in_height-filter_height+1)/strides_height（结果向上取整）

● 输入的尺寸中高和宽定义成in_height、in_width。
● 卷积核的高和宽定义成filter_height、filter_width。
● 输出的尺寸中高和宽定义成output_height、output_width。
● 步长的高宽方向定义成strides_height、strides_ width。
**2．padding为SAME情况**``out_height = in_height / strides_height（结果向上取整）out_width  = in_width / strides_ width（结果向上取整）

``

2.池化函数tf.nn.max_pool（avg_pool）

tf.nn.max_pool(input, ksize, strides, padding, name=None)
tf.nn.avg_pool(input, ksize, strides, padding, name=None)

● value：需要池化的输入，一般池化层接在卷积层后面，所以输入通常是feature map，依然是[batch, height, width, channels]这样的shape。
● ksize：池化窗口的大小，取一个四维向量，一般是[1, height, width, 1]，因为我们不想在batch和channels上做池化，所以这两个维度设为了1。
● strides：和卷积参数含义类似，窗口在每一个维度上滑动的步长，一般也是[1, stride,stride, 1]。
● padding：和卷积参数含义一样，也是取VALID或者SAME, VALID是不padding操作，SAME是padding操作。
● 返回一个Tensor，类型不变，shape仍然是[batch, height, width, channels]这种形式。