假设深度卷积神经网络的输入是一幅6×6维黑白图像，其中1→ink, 0→no ink。在Convolutional layer里每一个filter等效于全连接层(Fully connected Fee

卷积神经网络的输入是一幅6×6维黑白图像，其中1→ink, 0→no ink。在Convolutional layer里每一个filter等效于全连接层(Fully connected Fee"/>

假设深度卷积神经网络的输入是一幅6×6维黑白图像，其中1→ink, 0→no ink。在Convolutional layer里每一个filter等效于全连接层(Fully connected Fee

1、假设深度卷积神经网络的输入是一幅6×6维黑白图像，其中1→ink, 0→no ink。在Convolutional layer里每一个filter等效于全连接层(Fully connected Feedforward network)中的neuron,有一个3×3维filter为，求已知图像经过该滤波器的输出。 

解析

假设filter移动步长stride=1,记输入图像为I, filter为F,图像经过滤波器的输出为O，则O(1,1)=[I[1:3,1:3], F]=I(1,1)×F(1,1)+ I(1,2)×F(1,2) + I(1,3)×F(1,3) + I(2,1)×F(2,1) + I(2,2)×F(2,2) + I(2,3)×F(2,3) + I(3,1)×F(3,1) + I(3,2)×F(3,2) + I(3,3)×F(3,3)=3
O(1,2)=[I[1:3, 2:4], F]=I(1, 2)×F(1,1)+ I(1,3)×F(1,2) + I(1,4)×F(1,3) + I(2,2)×F(2,1) + I(2,3)×F(2,2) + I(2,4)×F(2,3) + I(3,2)×F(3,1) + I(3,3)×F(3,2) + I(3,4)×F(3,3)=-1
┄
O(4,4)=[I[4:6,4:6], F]=I(4,4)×F(1,1)+ I(4,5)×F(1,2) + I(4,6)×F(1,3) + I(5,4)×F(2,1) + I(5,5)×F(2,2) + I(5,6)×F(2,3) + I(6,4)×F(3,1) + I(6,5)×F(3,2) + I(6,6)×F(3,3)=-1
综上所述，