卷積神將網路的計算公式為：
n=(w-f+2p)/s+1
其中n：輸出大小
w：輸入大小
f：卷積核大小
p：填充值的大小
s：步長大小
即與用和原輸入層大小、深度完全一致的卷積核進行卷積，形成11x的全連線層（即展開），其中x由卷積核的層數決定。（寫**時也可以直接展開為一維）
不改變輸入層的大小，但改變輸入和輸出的深度的不同，在複雜神經網路或者簡化神經網路時，有特殊效果。
池化層不是卷積運算，只是為了在不失去特徵的同時減小輸出層，降低過擬合，使網路經量普世。
引數就是卷積核所有數字的個數加b的個數
我們只需要把每個filter的引數累加起來，當然，不要忘了加上bias。
tf.nn.conv2d（）直接實現輸入相應引數直接實現卷積運算，只不過其第一維可表示輸入的張數，所以為四維。
神經網路結構
定義 在機器學習和認知科學領域，人工神經網路 artificial neural network，縮寫ann 簡稱神經網路 neural network，縮寫nn 或類神經網路，是一 種模仿生物神經網路的結構和功能的計算模型，用於對函式進行估計或近似。神經網路的種類 基礎神經網路 單層感知器，線性神...
經典卷積神經網路的網路結構模型
1.lenet 5模型 第一層 卷積層 輸入原始影象畫素，32 32 1 過濾器5 5，深度6，不用全0填充，步長為1 輸出長寬尺寸 32 5 1 28，即28 28，深度為6，節點矩陣 28 28 6 4704 卷積層引數 5 5 1 6 6 156 連線數 4704 25 1 122304 其中...
神經網路 卷積神經網路
這篇卷積神經網路是前面介紹的多層神經網路的進一步深入，它將深度學習的思想引入到了神經網路當中，通過卷積運算來由淺入深的提取影象的不同層次的特徵，而利用神經網路的訓練過程讓整個網路自動調節卷積核的引數，從而無監督的產生了最適合的分類特徵。這個概括可能有點抽象，我盡量在下面描述細緻一些，但如果要更深入了...