第八天：卷积神经网络_卷积神经网络相对于全连接网络(1)

**

第八天：卷积神经网络

**
卷积神经网络相较于全连接网络而言更加的具有广泛性，并且全连接网络模型结构不够灵活，对于图片而言，输入层神经元的个数等于像素个数，参数太多太庞大。
下面将对于图片进行比较：


相较而言，卷积神经网络中神经元之间的链接不是全连接了而是部分链接，这是卷积神经网络一个比较重要的特点
卷积神经网络建立模型：

上图的主要目的是减少网络参数加快下载速度

权重共享，将一张大的图片分成多个连续的小图片，分别计算

无论哪一块算出来都是w1到wn的和，都一样，所以叫权值共享。
下采样：对图片的像素进行处理将像素缩小，虽然尺寸缩小了，但是并不影响图像中的物体识别

卷积层：

例如有一个66的图片，该图片有一个三成三的卷积核，先选择66图片中左上角的33的方格与卷积核相乘得出的结果放入特征图（feature map）中，卷积核中的值一般是在训练过程中学习出来的，不是给定的值，
上述为一个卷积核控制一个特征
卷积核如何控制多个特征
用多个卷积核生成多个特征图。

pooling层：

以上图为例最右边的22的图是左边44的图将其分为22的图之后的四个数中取最大的那个值即可这是max pooling
还有average pooling 只是将取最大值变为取平均值。
PS：feature map 在实际情况下是一个立体图不是二维平面图
跳槽是每个人的职业生涯中都要经历的过程，不论你是搜索到的这篇文章还是无意中浏览到的这篇文章，希望你没有白白浪费停留在这里的时间，能给你接下来或者以后的笔试面试带来一些帮助。

也许是互联网未来10年中最好的一年。WINTER IS COMING。但是如果你不真正的自己去尝试尝试，你永远不知道市面上的行情如何。这次找工作下来，我自身感觉市场并没有那么可怕，也拿到了几个大厂的offer。在此进行一个总结，给自己，也希望能帮助到需要的同学。

面试准备

面试准备根据每个人掌握的知识不同，准备的时间也不一样。现在对于前端岗位，以前也许不是很重视算法这块，但是现在很多公司也都会考。建议大家平时有空的时候多刷刷leetcode。算法的准备时间比较长，是一个长期的过程。需要在掌握了大部分前端基础知识的情况下，再有针对性的去复习算法。面试的时候算法能做出来肯定加分，但做不出来也不会一票否决，面试官也会给你提供一些思路。