【22-23 春学期】AI作业8-卷积2

1. 步长：在卷积神经网络中，步长指的是卷积核在输入数据上移动的步数。例如，步长为1意味着卷积核每次移动一步，步长为2意味着卷积核每次移动两步。
2. 填充：在卷积神经网络中，填充是指通过向输入数据的边缘添加额外的“0”来保持空间维度。这样可以让卷积核处理边缘像素，并保持输出的空间维度不变。
3. 感受野：感受野是神经网络中某一层的神经元对原始输入数据的感知范围。简单地说就是每个神经元能看到的输入数据的区域大小。
4. 局部感知：局部感知意味着在卷积神经网络中，每个神经元只与输入数据的一个小区域相连，这使得神经网络能够捕捉到局部的特征。
5. 权值共享：权值共享是卷积神经网络中的一个重要特性，同一层的所有神经元共享同一组权重。这大大减少了模型的参数数量，提高了计算效率，同时也帮助模型在不同位置检测相同的特征。
6. 池化：池化也叫子采样或降采样，是一种减小卷积神经网络中数据维度的方法，通常通过计算某一窗口内的最大值（最大池化）或平均值（平均池化）来实现。这有助于提高模型的空间不变性，并减少计算复杂度。
7. 低级特征、中级特征、高级特征：用来描述神经网络模型中不同层级的特征。低级特征通常指的是基本的边缘、色彩和纹理等信息。中级特征通常是由低级特征组合而成，如简单的形状和模式。高级特征则是由中级特征进一步组合而成，如物体的部分或整体。在深度神经网络中，从输入向输出层方向，神经元所提取并表示的特征从低级到高级，逐渐提高抽象层次。例如，在图像识别任务中，网络的前几层可能会提取出边缘和纹理等低级特征，中间层可能会提取出部分形状和特定模式等中级特征，而靠近输出层的神经元可能会提取出更为复杂、更具有区分性的高级特征，如整个物体的形状或特定的物体部分。