本文介绍了卷积神经网络（CNN）在图像识别中的应用，探讨了其网络架构设计，包括receptive field、kernel size、stride和padding。此外，还讨论了CNN的平移不变性，并引入了Spatial Transformer Layer（STL），用于处理图像的旋转、缩放等变换，强调STL在CNN中作为中间模块的作用，以提高模型的适应性。
第三节 2021 - 卷积神经网络(CNN)_哔哩哔哩_bilibili
network架构设计
我们往往需要假设一个模型输入的影像大小都是一样的
把所有图片都先rescale成大小一样，再丢到影像辨识系统里
今天比较强的影像辨识系统，往往可以辨识出1000种以上的东西、甚至上万种
接下来的问题是，怎么把一个影像当作一个模型的输入？
对于一个machine来说，一张图片其实是一个三维的tensor（Tensor张量，可以看做是一个多维数组。维度大于2的矩阵）
一张彩色的图片，他每个pixel都是由R G B三个颜色所组成的，3个channel就代表了R G B三个颜色
长和宽代表了图片的解析度，这张图片里有的pixel像素的数目
接下来把三维的tensor拉直，拉直后就可以丢到一个network里去了（因为network的输入都是一个向量，）
目前为止 只讲过fully connected network
如果把这个向量当作network的输入，input这边 这个feature vector的长度就是100*100*3，假设第一层的neuron数目有1000个，那能计算一下第一层一共多少个weight吗？
参数增加可以增加模型的弹性、但也增加了overfitting的风险。
如何减少参数，考虑到影像辨识问题本身的特性，不需要fully connected。不需要每个neuron和input的每个dimension都有一个weight
对影像辨识问题本身的特性的观察：
1.
这些neuron只需要把图片的一小部分当作输入（receptive field（自己决定的）），就足以观察某些特别重要的pattern有没有出现了，
有的neuron只考虑一个channel的情况，也是可以的， 之后讲到network corporation时，会讲到这种架构。一般CNN里不常这样考虑
经典的 receptive field安排方式，会看所有的channel，高和宽合起来叫kernel size（一般不会设太大，3x3就足够了），
一般同一个receptive field会有一组neuron去守卫这个范围，
移动的量叫stride，自己决定的，往往不会设太大，1或2就可以了，因为希望receptive field之间是有重叠的
超出范围就做padding，补0，也有别的补植的方法，可以补整张图片里所有value的平均，可以拿边边的这些数字来补，etc.
观察2，同样的pattern可能出现在图片的不同区
最低0.47元/天 解锁文章
3011
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
