深度学习第四课第一周--卷积神经网络(随笔)

1.计算机视觉

计算机视觉曾经面临的挑战 –>输入的图片数据量(维度)很大 （64*64*3=12288）



当输入图像为1000*1000*3，输入数据为300000时，内存会非常大，也会很容易造成过拟合。

2.边缘检测

垂直边缘和水平边缘检测

图示为垂直边缘检测实例

3.Padding

padding解决了两个问题：

1.卷积之后图像输出缩小

2.图像的边缘信息容易被忽略



由上图可知卷积核大小一般设置为奇数

卷积步长（stride）

这节没什么要记住的

如何卷

3*3*3的卷积核在左图中做对应元素相乘，然后把27个参数相乘结果相加，得到的feature_map为4*4*1

简单卷积网络示例

池化层

优点：

1.缩减模型大小

2.提高计算速度

3.提高所提取特征的鲁棒性

池化的过程是对每个通道单独执行max_pooling，即通道数池化后不会减少

推荐值是f=2 s=2,池化后输入图层的高度和宽度缩小一半

为什么卷积如此有效

卷积可以使得参数减少，降低过拟合，自动变得更鲁棒，一图胜万语