1维卷积神经网络参考文献_【4.卷积神经网络】第一周卷积神经网络-卷积【笔记1】...

结果应该是这样对应1.1-1.3

OK，cut the crap.

一、计算机视觉(Computer Vision,CV)概述，1.1

LeNet、AlexNet到ResNet，近年来卷积神经网络似乎一直在主导深度学习的发展。在计算机视觉中，卷积神经网络依靠端到端等多方面优势干掉了一票图像处理算法。在课程开始时，从吴老师的精神头能看出，卷积神经网络学起来肯定很过瘾.

Andrew Ng计算机视觉图像分类的Hello World：猫图分类.

以下截图均来自课程

目标检测的Hello World：车辆识别.

终于有了新例子，风格迁移

在前两节课程

中，作业中处理的都是几十刚上百像素的图片(之前的猫图分类作业是64×64，样本向量

的长度也只有64×64×3,12288)，但在目前这个时间点，图片的大小均以M起步(样本向量

的长度将达到1000×1000×3，3000000，3m，三百万维)，此时采用全连接的普通类型神经网络来处理，若第一层有1000个神经元，而权值矩阵

的维度为[1000,3000000]，这矩阵将有3000000×1000,第一层就30亿个参数，对于数据和计算的压力非常大.而AlexNet一共只有六千万参数，这就是卷积的妙用。

二、边缘检测(Edge Detection)，1.2，1.3

这种类似的图在公众号，专栏中见过很多了，像拼图一样，从青春痘拼出个猪腰子脸.

边缘：物体周边的部分，在图片中因颜色不同呈现

在边缘检测中，既要检测垂直边缘，又要检测水平边缘，这样才能勾勒出目标.

对于数字图像，想得到边缘，需要用过滤器(filter)，或称为核(kernel)、卷积核、滤波器来进行卷积运算(Convolution Operation，*)，垂直和水平的区别就是过滤器不同，在矩阵运算中，也常用稀疏矩阵来过滤掉不想保留的元素.

这里课程中将的非常仔细，我就直接截图了.

1.垂直边缘检测

这里先说明计算方法，具体为什么选择6×6,3×3得到4×4再说

卷积计算第一行第一个元素

清楚明白

注意这里不是矩阵乘法，行乘列相加，而是直接对应相乘相加.

往右走一步，计算第一行第二个元素：

第一行其余类似.

回到最左边，计算第二行第一个元素：

其余元素都类似计算就得到卷积的结果.
编程时，卷积运算函数：

Python:conv_forward

TensorFlow:tf.nn.conv2d

tf.nn.conv2d(
    input,
    filter,
    strides,
    padding,
    use_cudnn_on_gpu=True,
    data_format='NHWC',
    dilations=[1, 1, 1, 1],
    name=None
)

Keras:Conv2D

keras.layers.Conv2D(filters, kernel_size, strides=(1, 1), padding='valid', data_format=None, dilation_rate=(1, 1), activation=None, use_bias=True, kernel_initializer='glorot_uniform', bias_initializer='zeros', kernel_regularizer=None, bias_regularizer=None, activity_regularizer=None, kernel_constraint=None, bias_constraint=None)

为什么

是垂直过滤器？

先验知识①灰度值：数字越小越黑，一般255为白，0为黑

先验知识②：

图中的边缘图是黑底白花的，和那头每小时80迈脑筋不会急转弯的猪一样，也就是轮廓处灰度值较大

有了以上两条，再看课程中为什么1，0，-1，1，0，-1，1，0，-1是垂直过滤器的例子：

将它们卷积后可视化，结果把原图像中间的垂直轮廓以白色勾勒出来了.

另一种，原图像从暗到亮的卷积结果轮廓不太直观

2.水平边缘检测

正边缘：从亮到暗.负边缘：从暗到亮.

顺时针旋转90°

一个水平边缘检测的例子：

原图：

红款内红线为水平边缘

结果(示意图)：

因图片太小，出现过度的情况，但大体结果是正确的，边缘为中间这一条

3.过滤器

①Sobel filter

②Scharr filter

在深度学习中，面对不同领域的项目，过滤器要通过训练得到，就是权值矩阵

.除了垂直和水平过滤器，特殊角度的过滤器也可习得.

在本节中，6×6的图片经过3×3的过滤器后变为4×4，图片缩水了

下一部分将学习padding和stride，填充和步长，来应对这种情况