吴恩达深度学习CNN1.1节:引入CNN
主要讲的是引入CNN,然后说的是对目标的检测。总结一下就是:利用神经网络输出批量实数来识别图片中的对象是个非常有用的算法。视频里面详细介绍了步骤和过程。但是当应用在大尺寸的图片上,输入规模将变得十分庞大,使用神经网络将会有非常多的参数需要去学习,这个时候神经网络就不再适用。然后发现,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。由此引入CNN。
吴恩达深度学习CNN1.2节:边缘检测
这一节讲的是边缘检测,讲了垂直边缘检测和水平边缘检测。
这两个图片是两个滤波器,也叫卷积核。左边的图片是用来垂直检测的,右边的图片是水平检测。具体的原因视频里面都解释的很详细。主要是卷积的原因。
对于复杂的图片,我们可以直接将filter(这个filter是卷积核,也可以称之为滤波器。跟我们在其他课程上学的差不多)中的数字直接看作是需要学习的参数,其可以学习到对于图片检测相比上面filter更好的更复杂的filter,如相对于水平和垂直检测器,我们训练的 filter 参数也许可以知道不同角度的边缘。
吴恩达深度学习CNN1.3节:padding(补充)
padding是补充,填充。就是我们在卷积的时候,边缘信息只能被利用到一次,可能会丢失掉有用信息。而中间的信息却可以多次利用,不会丢失信息,因此有了填充。还有就是&#