吴恩达Coursera深度学习课程 deeplearning.ai (4-1) 卷积神经网络--课程笔记

本课主要讲解了卷积神经网络的基础知识，包括卷积层基础（卷积核、Padding、Stride），卷积神经网络的基础：卷积层、池化层、全连接层。

主要知识点

• 卷积核: 过滤器，各元素相乘再相加
• nxn * fxf -> (n-f+1)x(n-f+1)
• Padding: nxn * fxf –> (n+2p-f+1)x(n+2p-f+1)
• Stride: nxn * fxf –> ((n+2p-f)/s+1)x((n+2p-f)/s+1)
• 立体卷积：nxnxc: 原图像与卷积核渠道深度一致，立体各项乘积相加，卷积得平面
• 多核卷积：多个卷积核卷积后得多个平面，拼成一个立体
• 卷积层相当于全连接中的 Wx+b
• 卷积层：卷积核是一个立体块
• 池化层：每个通道单独池化，常见的有max,avg等
• 全连接层

---

1.1 计算机视觉

计算机视觉（Computer Vision）包含很多不同类别的问题，如图片分类、目标检测、图片风格迁移等等。

• 对于小尺寸的图片，例如 64 * 64, 我们输入数据的维度为 64 * 64 * 3 = 12288，可以用全连接神经网络进行学习。

• 对于稍大的图片，例如 1000 * 1000, 输入数据的维度1000 * 1000 * 3 = 3000000, 如果第一个隐藏层有1000个节点，则 W 矩阵是（1000, 3000000）的维度，需要学习的参数相当多；如此数据量对内存也造成极大的压力，这个时候全连接的神经网络就不再适合了。

卷积神经网络在计算机视觉问题上是一个非常好的网络结构。

1.2 边缘检测示例

卷积运算是将图片通过卷积核运算识别出另一张图片的过程，是卷积神经网络的基本组成部分。

边缘检测就是检测出图片的边缘来突出显示，而非边缘的地方都不突出显示。

在下面的图中，分别通过垂直边缘检测和水平边缘检测得到不同的结果：

垂直边缘检测

假设对于一个 6×6 大小的灰度图片（6x6x1），以及一个 3×3 大小的 filter（卷积核） 进行卷积运算，以“∗”符号表示。图片和垂直边缘检测器分别如左和中矩阵所示：