卷积神经网络 第一周 深度学习

卷积层

卷积神经网络中每层卷积层由若干卷积单元组成，每个卷积单元的参数都是通过反向传播算法最佳化得到。卷积运算的目的是提取输入的不同特征，第一层卷积层可能只是提取一些低级的特征如边缘、线条和角等层级，更多曾的网络能从低级特征中迭代提取更复杂的特征。

边缘检测

将一个6 * 6的灰度图像通过一个3 * 3的过滤器，可得到一个4 * 4的图像，检测边缘。
公式：将一个n * n的图像通过f * f的滤波器，输出结果为 （n-f+1） * （n-f+1）
计算过程是将矩阵内的所有数字乘积之和相加。
可以看出通过过滤器能够检测出图像的边缘，但是图片的大小越大效果会更好一些（上面的图片中检测出的边缘过宽）。

• 两种滤波器
  ## Padding and Stride

将一个n * n的图像通过f * f的滤波器， padding为 p，stride为s，输出结果为 （（n-2p-f）/s+1） * （（n-2p-f）/s+1）向下取整

池化层

在神经网络中使用池化层来缩减模型的大小，提高计算速度，同时提高所提取特征的鲁棒性。
MAXIING POOLING(最大池化层）通过对矩阵进行分块，然后每块取其最大值，可以达到如果提取到某个特征，则输出最大值，如果没有提取出这个特征，则可能不存在这个特征的目的。
深度很深的神经网络中，你可以用平均池化来分解表示层
池化过程中没有需要学习的参数