郭俊亮，张洪川

(铜仁职业技术学院，贵州 铜仁554300)

卷积神经网络是一种局部提取特征的方法，可以有效地响应局部模式，用这种方法提取整张图片的特征，它是平移不变模式。在网络逐层累加的过程中，对图像进行了缩放。卷积神经网络的核心是卷积层和池化层。

1 卷积神经网络的核心运算

1.1 卷积层的运算

(1)输入：W1×H1×D1。

(2)超参数：卷积核的个数：K，卷积核的尺寸：F，步长：S，填充：P。

(3)输出：W2×H2×D2，

(4)参数：(F×F×D1+1)×K，其中，W是图像的宽度，H是图像的高度，D是图像的深度。

1.2 池化层运算

(1)输入：W1×H1×D1。

(2)超参数：卷积核的尺寸:F，步长：S。

(3)输出：W2×H2×D2，

参数：最大池化和平均池化是没有参数的，但是一些池化方法中是有参数的。

2 卷积神经网络经典模型

2.1 LeNet-5网络结构

LeNet-5是由输入层、卷积层、池化层、卷积层、池化层、全连接层、全连接层、输出层组成[1]。输入层图像的尺寸大小是32*32，卷积层C1使用了6个5*5*1卷积核，对输入图像进行valid卷积操作，输出28*28*6。池化层S2使用了6个2*2的矩阵，对28*28*6进行最大池化操作，输出14*14*6。卷积层C3使用了16个5*5*6的卷积核，对14*14*6进行valid卷积操作，输出10*10*16。池化层C4使用了16个2*2的矩阵，对10*10*16进行最大池化操作，输出5*5*16。全连接层有两个隐含层，第一个隐含层有120个神经元，第二个隐含层有84个神经元。输出层有10个神经元。

2.2 AlexNet网络结构

AlexNet是由卷积层、池化层、卷积层、池化层、卷积层、卷积层、卷积层、池化层、输出层组成[2]。输入层图像的尺寸是224*224*3，在实际应用中，需要变成227*227*3，卷积层C1使用了96个11*11*3卷积核，对输入图像进行步长为4的valid卷积操作，输出55*55*96。S1使用96个3*3卷积核，对55*55*96进行步长为2的valid最大值池化操作，输出27*27*96。……