Coursera吴恩达《卷积神经网络》课程笔记(1)卷积神经网络

计算机视觉

计算机视觉问题

图片分类



目标检测



画风迁移

在大图片上的深度学习

如果采用传统的全连接层，可能会导致参数巨大，导致无法进行计算。卷积神经网络由此产生

边缘检测的例子

可以设计一些专用的filter来提取图片的纵向边缘和横向边缘

- vertical edges



horizontal edges



这些专用的filters是计算机视觉专家精心设计出来的，往往可以提取一些不错的特征，但每次人为去设计，可能不够灵活。我们应该尝试让数据说话。也就说去学习一些filters

Padding组件

为什么要引入Padding组件

卷积操作会使输出缩小太快

卷积操作会导致输出中只有极少数值会受到图像边缘像素的影响，这样相当于丢失了一些边缘像素的信息

Strided 组件

strided卷积的例子

strided卷积的总结

在立体上的卷积

在RGB图像上的卷积

采用多个卷积filters

单层卷积神经网络

单层神经网络的例子

单层卷积神经网络的符号规定

Pooling组件

Max Pooling(常用)



Average Pooling(不常用)

Pooling层总结

池化前后通道的数量不变

池化层没有需要学习的参数

卷积神经网络层的类型

卷积层

池化层

全连接层

一个完整的卷积神经网络的例子

参数主要集中在全连接层

随着层数的递增，nH和nW都是递减的，nC是递增的

为什么卷积是有意义的

参数共享：如果一个特征探测器在图像的某个部分是有用的，那么他很有可能在图像的另外的部分也是有用的

稀疏连接：在每一层，每一个输出中的只依赖一小部分的输入