吴恩达深度学习笔记 课程四 第一周 卷积神经网络

一 计算机视觉问题

比如图像分类，目标检测，图像风格迁移。

面对巨大的数据特征，我们需要运用卷积运算，由此引出卷积神经网络。

二 边缘检测

如何实现垂直边缘检测，利用卷积运算，对于66的目标，找到33的过滤器（核），对应元素相乘求和。如上图所示

三 padding

对于nn的图片，用ff的滤波器进行卷积运算得到（n-f+1）*（n-f+1）的矩阵
出现两个问题 一个是输出缩小 另一个是丢失图像边缘信息。可以通过像素点的填充进行解决。比如图像边缘填充p 变为·（n+2p-f+1）

valid表示不填充 same表示填充p=1/2(f-1) 因此过滤器一般为奇数。

四 卷积中的步幅

当步幅为·s时 所得到的矩阵为{ 1/s（n+2p-f）+1,1/s（n+2p-f）+1} ,当商不是整数时，向下取整。数学和信号相关的教材将卷积运算定义为先进行镜像翻转，然后再对应相乘求和，深度学习中的卷积是互相关卷积运算，不需要翻转，为了方便统称为卷积运算。

五 三维图像上的卷积

图像与过滤器在通道数目上必须匹配。取决于过滤器的个数。

六 单层卷积网络实现

卷积神经网络特征之一就是避免过度拟合，当过滤器确定后无论输入图像多大参数数目就确定了。

七 池化层

最大池化

平均池化 适用于深度很深的神经网络
全连接层 指的是经过卷积层和池化层的矩阵全部展开，变成一维矩阵，类似神经网络全部与之相连接。

观察上表可以发现 输入层与最大池化层没有参数，卷积层参数不多，大部分参数都在全连接层，随着层数的增加，激活单元的数量逐渐减小。而激活形状则根据公式判断。