2025暑期—06神经网络-常见网络

六个滤波核提取特征Maps

5X5 卷积核，+1个阈值 6个元素，卷积后两边各少两个，28*28像素 又有6个卷积核，所以有122304个连接，连接数不多是因为很多都是公用参数的。

池化是参数池化，和当前平均最大不一样。编程14X14

再5X5卷积，变成10X10，有16个通道，5X5+1=26 26X16X100

第2层卷积使用16个通道，输入是6各通道。

6通道对应三维张量，多通道卷积，之前RGB那个，输入1个通道2维卷积，输入是多通道，采用3D卷积，3通道 4 通道 6通道

以下是16个卷积核

池化编程5X5，然后进入

输出层采用交叉熵损失 SoftMax（）

全连接网络负责分类。卷积池化，卷积池化是为了提取特征。基本都包括这两部分。

通道越来越多，结果越来越小，擀面杖规律。

C3 层是卷积层，使用 16 个 5×5xn 大小的卷积核，padding=0，stride=1 进行卷积，得到 16 个 10×10 大小的特征图：14-5+1=10。

16 个卷积核并不是都与 S2 的 6 个通道层进行卷积操作，如上图所示，C3 的前六个特征图（0,1,2,3,4,5）由 S2 的相邻三个特征图作为输入，对应的卷积核尺寸为：5x5x3；接下来的 6 个特征图（6,7,8,9,10,11）由 S2 的相邻四个特征图作为输入对应的卷积核尺寸为：5x5x4；接下来的 3 个特征图（12,13,14）号特征图由 S2 间断的四个特征图作为输入对应的卷积核尺寸为：5x5x4；最后的 15 号特征图由 S2 全部(6 个)特征图作为输入，对应的卷积核尺寸为：5x5x6。

第一次六个卷积核主要找边缘特征，第二次16个3维卷积，主要找边缘特征的组合，但是为什么是16个呢？

有的对应3通道，有个对应4通道， 有的对应6通道，就是通过不同的卷积核尺度，组合获得特征。