人工智能第八次作业

1.步长、填充

步长：即在卷积的时候，卷积核在输入图像上每次移动（滑动）的格数（像素数）

填充：为了使卷积的时候使边缘部分的信息损失变小，或者使卷积结果与输入图像尺寸一致，需要在输入图像的边缘（周围）添加0，即填充（零填充）

2.感受野

即卷积结果（特征图）上的一个像素（一个点）对应输入图像上的区域的大小。

3.局部感知、权值共享

局部感知：由于全局感知需要大量的参数信息，导致计算过慢，所以引入局部感知，减少参数量，提高效率，即每个神经元没有必要对全局图像进行感知，而是抽出某几部分（局部），对其进行感知，最后在更高层次将这些局部信息综合，从而得到全局信息。例如：识别动物，可以只从嘴巴，眼睛，爪子等方面进行特征提取与判断，从而得出该动物的类别。

权值共享：卷积核里面的数值即权值，顾名思义，权值共享就是共用一个卷积核，卷积核的大小以及里面的数值不会改变，从而减少了参数量，也满足了平移不变性。

4.池化（子采样、降采样、汇聚）

对卷积结果（特征图）进行压缩，保留其主要的信息，即实现下采样。

5.低级特征、中级特征、高级特征

低级特征：对原始数据进行初步分析处理，得到最初的低级特征，这些特征只反应每个像素对应的信息。

中级特征：对低级特征进一步处理，得到中级特征，中级特征反应了原始图像的某一部分（局部）的信息

高级特征：对中级特征再进一步处理，得到高级特征，高级特征包含位置信息，不能权值共享，此时卷积层无法胜任，需要用全连接层。