深度学习入门3

CNN

第一周：

title: edge detection example

卷积核在边缘检测中的应用，可解释，卷积核的设计可以找到像素列突变的位置

把人为选择的卷积核参数，改为学习参数，可以学到更多的特征

 

title: padding

n * n图片，k*k卷积核，输出图片是( n - k + 1） * ( n - k + 1）

padding补零，保持图像尺寸

 

title: Strided Convolutions

步长可调

信号处理的卷积，要先把卷积核沿两个轴反转，神经网络里面所称的卷积没有这一步，实际上是卷积核和信号的互相关，

反转使卷积运算保持了结合律的特性

 

title: Convolutions Over Volume

对于三维的信号，卷积核也要三维

三维的在对应位置相乘

存在多个卷积核的时候，就把结果叠在一起（假如维度一样，同一层应该是必须一样的

 

title:One Layer of a Convolutional Network

可以加bias,加非线性函数relu之类的

cnn的参数个数和卷积核的大小以及数量有关，但是和图像大小无关，能控制参数的多少

 

title:Simple Convolutional Network Example

注意到一层的输出的深度，和这层的卷积核的数量有关，卷积核越多，深度越大，最后如果没有padding，我们的图像在长宽会变小，在深度（厚度）会很深

在cnn层之后会有池化层，全连接层，如果是分类问题

 

title: Pooling Layers

max pooling, 用区域里的最大值，代表这块区域，相当于把矩阵的尺寸压缩了，有参数f，所划分的最小块区域的大小，stride，移动步长

pooling的解释还挺强行的吧，算了算了

pooling有超参数，没有学习参数

average pooling, 区域里的平均值

一般卷积层后面都跟着池化层

 

title: why cnn

cnn的优势：

参数共享，一个卷积核里的参数应用到了所有的像素（信号）上

稀疏性

转载于:https://www.cnblogs.com/zherlock/p/11033189.html