人工智能几个常用卷积神经网络

AlexNet全连接层1*1卷积核的作用池化层作用参数计算（也就是权重）创建卷积核时，卷积核个数放在第四维空间。也即，是一个整体代码中是按这种整体来看的。

AlexNet

卷积神将网络的计算公式为：

N=(W-F+2P)/S+1

其中N：输出大小

W：输入大小

F：卷积核大小

P：填充值的大小

S：步长大小

链接: link. 总结一句话：卷积后下一输出层的深度与卷积核个数相同，输出层大小（即长宽）由上述公式计算，s,f均为卷积核的属性。

全连接层

即与用和原输入层大小、深度完全一致的卷积核进行卷积，形成11x的全连接层（即展开），其中x由卷积核的层数决定。（写代码时也可以直接展开为一维）

1*1卷积核的作用

不改变输入层的大小，但改变输入和输出的深度的不同，在复杂神经网络或者简化神经网络时，有特殊效果。

池化层作用

池化层不是卷积运算，只是为了在不失去特征的同时减小输出层，降低过拟合，使网络经量普世。

参数计算（也就是权重）

参数就是卷积核所有数字的个数加b的个数 我们只需要把每个filter的参数累加起来，当然，不要忘了加上bias。

创建卷积核时，卷积核个数放在第四维空间。也即，是一个整体代码中是按这种整体来看的。

tf.nn.conv2d（）直接实现输入相应参数直接实现卷积运算，只不过其第一维可表示输入图片的张数，所以为四维。