李沐《动手学深度学习》学习笔记（三）

六、基本卷积神经网络

        1.AlexNet

        共8层可学习层——5层卷积层和3层全连接层

改进：

        池化层均采用最大池化；

        选用ReLU作为非线性环节激活函数

        网络规模扩大，参数数量接近6000万

        出现“多个卷积层+一个池化层”的结构

        2.VGG-16

改进：

        网络规模进一步增大，参数数量约为1.38亿

        由于各卷积层、池化层的超参数基本相同，整体结构呈现出规整的特点 

        3.残差网络

解决的问题：梯度消失

        卷积层主要有3×3的过滤器，并遵循两个简单的设计规则:①对输出特征图的尺寸相同的各层，都有相同数量的过滤器; ②如果特征图的大小减半，那么过滤器的数量就增加一 倍，以保证每一层的时间复杂度相同。

七、常用数据集

1.MNIST:由0〜9手写数字图片和数字标签所组成的，由60000个训练样本和10000个测试样本组成，每个样本都是一张28 * 28像素的灰度手写数字图片。

2.Fashion-MNIST:涵盖了来自10种类别的共7万个不同商品的正面图片,60000/10000 的训练测试数据划分，28x28 的灰度图片。

3.CIFAR-10:由10个类的60000个32x32彩色图像组成，每个类有6000个图像。有50000个训练图像和10000个测试图像。

4.PASCAL VOC:共4个大类，20个小类；最常用的是PASCAL 2012，

5.MS COCO:提供的标注类别有80类，有超过33万张图片，其中20万张有标注，整个数据集中个体的数目超过150万个。

6.ImageNet：总图像数据：14,197,122；总类别数：21841；带有标记框的图像数：1,034,908

八、目标检测与Yolo网络

目标检测问题：目标检测是在给定的图片中精确找到物体所在位置，并标注出物体的类别。

何为Yolo？——You Only Look Once

Yolo有何优点？——一个字：快！

Yolo模型结构图：

网络结构包含24个卷积层和2个全连接层；其中前20个卷积层用来做预训练，后面4个是随机初始化的卷积层，和2个全连接层。

输入：输入图片为 448 × 448 × 3。实际中如为其它尺寸，需要resize或切割成要求尺寸

输出：输出是一个7 × 7 × 30的张量。对应 7 × 7个cell

包围框：我们有 𝑠 2个框，每个框的bb个数为𝐵，分类器可以识别出𝐶种不同的物体， 那么所有整个ground truth的长度为𝑆 × 𝑆 × (𝐵 × 5 + 𝐶)。YOLO v2和以后版本使用了自聚类的anchor box为bb, v2版本为𝐵 = 5, v3中 𝐵 =9

置信度：置信度计算公式：𝐶 = Pr (𝑜𝑏𝑗) ∗ 𝐼𝑂𝑈𝑡𝑟𝑢𝑡ℎ 𝑝𝑟𝑒�，IOU是预测的bb和真实的物体位置的交并比。