吴恩达深度学习编程作业第四周第一节——Convolution model-step by step v1/v2

1.逐步构建卷积网络
本次要构建的网络基本架构：

注：每进行一次前向传播操作，都会有与之对应的后向传播，前向传播的参数将被存储，这些参数在后向传播过程中将被用来计算梯度。
2.卷积神经网络

2.1零值填充

使用零值填充的好处：

1. 填充帮助你使用卷积层而不需要收缩输入数据的高和宽，这在深度网络中十分重要；
2. 帮助保留图片边缘信息
   使用函数 numpy.pad 介绍：
   numpy.pad(array, pad_width, mode=‘constant’, **kwargs)
   array:要填充的数组
   pad_width:(before,after)简单来说就是前面填几和后面填几，如(2,3)就是前填2后填3
   “constant”:默认填常数，可以选择别的
   2.2 卷积中的一步
   在本部分中，实现卷积的单个步骤，将滤波器应用于输入的单个位置。这将用于构建卷积单元。
   2.3 卷积神经网络的前向传播
   在这一节中，使用单个过滤器进行卷积操作，得到的结果是2D的将所得结果叠加到一起生成一个3D结果。
   过程：
   1.选择一个切片2*2
   提示：a_slice_prev = a_prev[0:2,0:2,: ] “a_prev” (shape (5,5,3))
   2.定义一个切片
   需要定义4个角：vert_start, vert_end, horiz_start ，horiz_end
   vert_start = h * stride
   vert_end = vert_start + f
   horiz_start = w * stride
   horiz_end = horiz_start + f
   定义3D切片：

a_slice_prev = a_prev_pad[vert_start : vert_end, horiz_start : horiz_end, :]

2.4池化层
2.4.1前向池化
设计最大池化层和平均池化层