OpenCV视频学习笔记（20）-卷积原理与操作

二十、卷积原理与操作

神经网络
（1）准备数据；
（2）前向传播，算出输出（分类结果/回归结果），得到损失函数（衡量对当前数据拟合的好坏）；
（3）反向传播计算梯度值，看权重值分别对loss产生多大影响，看怎么改权重值，可以使得loss值越低越好；
（4）更新参数，反复计算，得到较好的权重值；

卷积神经网络
可以做什么：
Classification分类任务；Retrieval同类推荐 ；
Detection物体检测（分类和回归 ）；
Segmentation图像元素分割；
Detection可应用于：self-driving cars（无人驾驶汽车）；
深度学习任务用GPU计算，显卡；
卷积神经网络可以进行特征提取，实现人脸识别、文字识别、图像风格融合；
卷积神经网络（特点：深度）实现这些功能 ？

卷积层（通过filter，分成小区域进行特征提取）

卷积后的结果（可以指定多个filter，提取出不同的特征）

把6层特征堆叠到一起，就可以得到卷积层的结果。
也可以在卷积的结果上再次进行特征提取：

在卷积操作中，由stride（步长）决定窗口滑动的距离。

Stride的值越小，得到的特征越多，所以希望stride小一些比较好，但要谨慎选择。
在计算卷积时，有些像素点被利用了多次，有些像素点利用的次数少；
Padding可以在周围添加一圈0像素点，这样可以提高边缘像素点的利用率。

卷积神经网络的参数一个非常重要的特性：权重共享，但偏置不共享
由输入得到输出：

池化层

两种方式：mean方式、max方式