吴恩达 深度学习 卷积神经网络 卷积神经网络

1.边缘检测

利用卷积运算，下图为垂直边缘检测，3x3的矩阵称为滤波器

除此之外，还有 Soble，Scharr等

 

2.padding

在图像周围填充像素,避免边缘像素弱化，图像变小

padding=0时，称为Valid，图片越来越小，nxn*fxf-->(n-f+1)x(n-f+1)

padding=(f-1)/2时，称为Same，nxn*fxf-->(n+2p-f+1)x(n+2p-f+1)

 

3.卷积（convolational）步长

每次移动的步长，但要保证滤波器在范围内，因此计算时下取整

 

4.立体卷积

nxnxm * fxfxm ==> (n-f+1) x (n-f+1) x z

通道数m必须相同,z表示滤波器的个数

 

 

5.池化层（Pooling）

nh（高） x nw（宽） x c（通道数）--->

f（池化尺寸）,s（步长）,p（填充值），池化方式-->

((nh+2p-f)/s+1)（下一层高） x ((nw+2p-f)/s+1)（下一层宽） x c（通道数）

每次对局部进行操作，常用最大池化(取局部最大特征值），平均池化（局部求均值）

池化层没有权重，通常把卷积层和池化层看做一层

Full Connected（全连接层）

 

6.一个典型的卷积神经网络

 

7.CNN表现良好的原因

A.参数共享(对于一个nxnxm滤波器，参数仅为（nxn+1)xm）

B.稀疏连接（每一个输出仅与局部的输入值相关联）