1.7 单层卷积网络（One layer of a convolutional network）

卷积神经网络的单层结构如下所示：

相比之前的卷积过程，CNN的单层结构多了激活函数$ReLU$和偏移量$b$。整个过程与标准的神经网络单层结构非常类似：

$$Z^{[l]}=W^{[l]}A^{[l-1]}+b^{[l]}$$

$$A^{[l]}=g^{[l]}(Z^{[l]})$$

卷积运算对应着上式中的乘积运算，滤波器组数值对应着权重$W^{[l]}$，所选的激活函数为$ReLU$

每个滤波器组有3x3x3=27个参数，还有1个偏移量$b$，则每个滤波器组有27+1=28个参数，两个滤波器组总共包含28x2=56个参数。选定滤波器组后，参数数目与输入图片尺寸无关。所以不存在由于图片尺寸过大，造成参数过多的情况，这就是卷积神经网络的一个特征，叫作“避免过拟合”。例如一张1000x1000x3的图片，标准神经网络输入层的维度将达到3百万，而在CNN中，参数数目只由滤波器组决定，数目相对来说要少得多，这是CNN的优势之一

设层数为$l$，CNN单层结构的所有标记符号：

• $f^{[l]}$= filter size

• $p^{[l]}$= padding

• $s^{[l]}$= stride

• $n_c^{[l]}$= number of filters

输入维度为：$n_H^{[l-1]}\times n_W^{[l-1]}\times n_c^{[l-1]}$，因为是上一层的激活值 每个滤波器组维度为：$f^{[l]}\times f^{[l]}\times n_c^{[l-1]}$

权重维度为：$f^{[l]}\times f^{[l]}\times n_c^{[l-1]}\times n_c^{[l]}$

偏置维度为：$1 \times 1\times 1 \times n_c^{[l]}$

输出维度为：$n_H^{[l]}\times n_W^{[l]}\times n_c^{[l]}$

其中：

$$n_H^{[l]}=\lfloor \frac{n_H^{[l-1]}+2p^{[l]}-f^{[l]}}{s^{[l]}}+1 \rfloor$$

$$n_W^{[l]}=\lfloor \frac{n_W^{[l-1]}+2p^{[l]}-f^{[l]}}{s^{[l]}}+1 \rfloor$$

如果有$m$个样本，进行向量化运算，相应的输出维度为：

$$m \times n_H^{[l]}\times n_W^{[l]}\times n_c^{[l]}$$