CNN 作为一种多层神经网络框架，已经在计算机视觉的很多任务上取得了当前最好的结果。面对不同的视觉任务，衍生出很多变种，但是其中一些主要的部件并没有发生变化。本文主要总结这些基本部件的基本原理。
卷积层（convolution layer)
输入：HxWxCxN (H: 高，W:宽 C:通道数量 N:输入数据的数量)
卷积核：FxFxCxK (F: 高、宽 C:通道数量 K:卷积核的数量)
卷积步长：S
零边：P
输出：H’=(H-F+2P)/S+1 W’=(W-f+2P)/S+1 C’=K N’=N
激活层（activaction layer）
#### 降采样层（Pooling layer)
输入：HxWxCxN (H: 高，W:宽 C:通道数量 N:输入数据的数量)
核：FxF (F: 高、宽)
卷积步长：S
零边：P
输出：H’=(H-F+2P)/S+1 W’=(W-f+2P)/S+1 C’=C N’=N
归一化层（normalization layer）
分类层（classificaion layer）
目标函数层（loss layer）
本作品采用知识共享署名 2.5 中国大陆许可协议进行许可，欢迎转载，但转载请注明来自 Sunshine 并保持转载后文章内容的完整。本人保留所有版权相关权利。
