到目前为止，基本实现了简单的卷积层向前方法。 可以输入图像，指定weights的值，进行简单的运算，测试是否能进行正确的正向计算。 完整的代码可以直接去我的github看最新版。 虽然有很大的不同，但同样非常容易理解。 这是一套系统完整的CNN入门教材，是面向中文读者的轻量级、实用的深度学习工具，内容侧重于深度组合神经网络的基础知识和实践应用。

卷积神经网络使用多个卷积层来达到提取更深层次特征的目的，但一般在卷积层和卷积层之间周期性地插入池化层。 此池化层不保存参数。 主要作用是通过缩小卷积层提取的特征来降低网络的复杂度。 该网络层相当于多层感知机( Multi-Layer Perceptron，简称MLP )，在整个卷积神经网络中作为分类器。

1、卷积神经网络基础详解

看到南京研究院院长、周志华高徒魏秀参的著作《解析深度学习：卷积神经网络原理与视觉实践》不久前出版，机器心会寄五本书作为新年福利。 使用self.method选择是否对输入的数据进行padding。 这里，调用np.pad )方法，分别对与我们的输入数据的四维ndarray的第二维和第三维卷积核大小匹配的0元素进行padding。

2、卷积神经网络完整流程

卷积神经网络在计算机视觉、自然语言处理等领域取得了很好的效果，但动辄数亿的参数数量阻碍了许多实际应用，特别是基于嵌入式设备的应用。 在二维图像中，卷积操作一方面可以有效地根据我们的需求提取图像的邻域信息，总体上具有非常好的平移等改性。 简单地说，当输入图像的某一部分移动到另一部分时，输出图像也相应地移动。

3、卷积神经网络基本步骤

大多数学生进入深度学习，首先接触的应该是LeNet，以此为例还介绍了卷积神经网络的基本组件。 二维图像卷积操作，对于固定的卷积核，可以提取输入图像的某些特征，但在实际的视觉问题中，某些尺度上的空间特征不足以解决我们的需求。 点击标题下头像的位置可以进入我的主页。 那里有我以前发表的TensorFlow入门系列教程。

一个卷积层一般设有多个过滤器，根据不同的特征可以得到不同的反应。 如果一个卷积层有20个过滤器的集合，它们将形成20个不同的激活图。 将这些激活贴图叠加在一起将形成下一层卷积层的输入。 卷积：如果有图像处理的基础，我想你一定不知道卷积操作。