深度学习中卷积和池化的一些总结

最近完成了hinton的深度学习课程的卷积和池化的这一章节了，马上就要结束了。这个课程的作业我写的最有感受，待我慢慢说来。

1：里面有几个理解起来的难点，一个是卷积，可以这么来理解。



这幅图是对一个5*5的矩阵A进行3*3的矩阵B的卷积，那么就从最上角到右下角，生成卷积之后的矩阵的大小是(5-3+1)*(5-3+1)的矩阵，生成之后的矩阵的元素值，是之前的两个矩阵对应元素的乘积之和，这个在matlab中有现成的命令，但是用之前需要注意下，比如在图中这样的B的话要首先进行B中元素左右和上下的对调才可以满足右侧矩阵的结果。这个是matlab中进行卷积计算的命令要求的，并且这个命令还有第三个参数，如图中使用的是valid参数值，具体的用法还请doc来了解吧。

2：说下池化，其实池化很容易理解，先看图：



比如上方左侧矩阵A是20*20的矩阵要进行大小为10*10的池化，那么左侧图中的红色就是10*10的大小，对应到右侧的矩阵，右侧每个元素的值，是左侧红色矩阵每个元素的值得和再处于红色矩阵的元素个数，也就是平均值形式的池化。

3：上面说了下卷积和池化，再说下计算中需要注意到的。在代码中使用的是彩色图，彩色图有3个通道，那么对于每一个通道来说要单独进行卷积和池化，有一个地方尤其是进行卷积的时候要注意到，隐藏层的每一个值是对应到一幅图的3个通道穿起来的，所以分3个通道进行卷积之后要加起来，正好才能对应到一个隐藏层的神经元上，也就是一个feature上去。

ps：在做这个实验的过程中，遇到了个2B的问题。我的代码中对convolution和pooling的check都过去了，但是准确率只有25%，反正中间使用了很多方法来找我的错误，最后都没找到，最终和同学的代码对比，一个文件一个文件的替换来跑（为了快速找到问题，把数据规模以及隐藏层的个数都调小了的），最终发现是池化的时候的问题，我把问题原因贴在这里，在池化的过程中，代码应该是这样子的：



而我写成了（注意红色部分）



但是这个代码被check过了没问题，我去看了下check的代码，这个代码是给出的：



也就是这个测试矩阵的features为1，numImages也是1，所以在我的代码中这个问题正好被隐藏掉了，导致我的check是显示congratulations的，因为也导致我就压根没想到是这个地方错误的。。

以后变量名一定要注意，不要弄如此类似的了，一不小心就搞错了，还有不要太相信这个里面的check的代码了，有错误还是多仔细检查每一个步骤，并且check的代码起码也要具备共性才有说服力！