在卷積神經(jīng)網(wǎng)絡(CNN)模型結(jié)構(gòu)中，我們對CNN的模型結(jié)構(gòu)做了總結(jié)，這里我們就在CNN的模型基礎(chǔ)上，看看CNN的前向傳播算法是什么樣子的。重點會和傳統(tǒng)的DNN比較討論。

1. 回顧CNN的結(jié)構(gòu)

　　　　在上一篇里，我們已經(jīng)講到了CNN的結(jié)構(gòu)，包括輸出層，若干的卷積層+ReLU激活函數(shù)，若干的池化層，DNN全連接層，以及最后的用Softmax激活函數(shù)的輸出層。這里我們用一個彩色的汽車樣本的圖像識別再從感官上回顧下CNN的結(jié)構(gòu)。圖中的CONV即為卷積層，POOL即為池化層，而FC即為DNN全連接層，包括了我們上面最后的用Softmax激活函數(shù)的輸出層。

移動開發(fā)培訓,Android培訓,安卓培訓,手機開發(fā)培訓,手機維修培訓,手機軟件培訓

　　　　從上圖可以看出，要理順CNN的前向傳播算法，重點是輸入層的前向傳播，卷積層的前向傳播以及池化層的前向傳播。而DNN全連接層和用Softmax激活函數(shù)的輸出層的前向傳播算法我們在講DNN時已經(jīng)講到了。

2. CNN輸入層前向傳播到卷積層

　　　　輸入層的前向傳播是CNN前向傳播算法的第一步。一般輸入層對應的都是卷積層，因此我們標題是輸入層前向傳播到卷積層。

　　　　我們這里還是以圖像識別為例。

　　　　先考慮最簡單的，樣本都是二維的黑白圖片。這