​機器學習

CNN中最基本的LeNet的運作方法。可以從下面的LetNet架構中看出對於輸入的圖片做了2次Convolutions(卷積)，2次Subsampling(採樣)，跟2次的Full connection(全連結)還有1次的Gaussian connections (高斯連結)，中間的Convolution跟Subsampling在對圖片做特徵擷取的動作，最後把特徵擷取出來後，後面再展開用Full connection做分類。

​

其中提到卷積層以及池化層的運算方法。基本的卷積運算就是將3X3的矩陣在圖片上的像素一步一步移動(在卷積層中移動的步數稱為Stride步數)，在每個位置的時候，計算兩個矩陣相對元素的乘積並相加，輸出一個值然後放在一個矩陣(右邊粉色的矩陣) 。