深度学习（3)

1.2边缘检测示例

识别图像时我们可以通过边缘检测来抓住图像的变化，以便来抓住某些特征例如五官，肢体

将图像的每个像素的参数作为一个矩阵

根据如图的过滤器我们可以判断纵向是否有明显的边缘，两边一正一负是因为边缘总是一边明一边暗的，这样可以使中间一列的值与两边差值变大，更形象的表示边缘这个特征 

 

 

1.5卷积步长

过滤器以其步长进行过滤，为了减少运算？还是为了防止过度拟合？

 卷积后维度的计算式

 

 

1.6三维卷积

对多个通道同时进行卷积

 

 根据选择还可以选择自己要在哪个颜色层里寻找边缘

 

1.7单层卷积网络

将卷积的形式类比到了回归函数，以实现神经网络

 

为了加深理解，我们来做一个练习。假设你有10个过滤器，而不是2个，神经网络的一层是3×3×3，那么，这一层有多少个参数呢？我们来计算一下，每一层都是一个3×3×3的矩阵，因此每个过滤器有27个参数，也就是27个数。然后加上一个偏差，用参数 b bb 表示，现在参数增加到28个。上一页幻灯片里我画了2个过滤器，而现在我们有10个，加在一起是28×10，也就是280个参数。

请注意一点，不论输入图片有多大，1000×1000也好，5000×5000也好，参数始终都是280个。用这10个过滤器来提取特征，如垂直边缘，水平边缘和其它特征。即使这些图片很大，参数却很少，这就是卷积神经网络的一个特征，叫作“避免过拟合”。你已经知道到如何提取10个特征，可以应用到大图片中，而参数数量固定不变，此例中只有28个，相对较少。

衍生了一下，多个过滤器会产生更多的通道

同时老师也设定了相应的参数 

通过对卷积层的堆叠，我们就可以形成一个深度卷积神经网络