学习霹雳吧啦ｕｐ主笔记（一）全连接层、卷积层、池化层

一、学习内容
目标检测： fast r-cnn、ssd、yolov3
二、所需知识
图像处理基础知识
python3基础语法
numpy 科学计算包
了解pytorch
数学基础（线性代数）
三、所需环境
anaconda3 python3.6 pycharm pytorch torchvision
沟通方式：github csdn
四、卷积神经网络(cnn)发展

五、全连接层

• 神经元
• ｂｐ算法：包括信号的前向传播和误差的反向传播两个过程。计算误差时按从输入到输出的方向进行，调整权值和阈值则从输出到输入的方向进行。
• 实例：利用ｂｐ算法实现车牌识别（可以再看视频回忆）

六、卷积层（ｃｎｎ中独特的网络的结构）

• 用一个卷积核在图像上已滑动窗口的形式顺序滑动。
• 目的：进行图像特征提取　 卷积特性：　　
  １、拥有局部感知机制
  ２、权值共享 卷积过程： 卷积核的深度（个数）与输入特征层的深度（个数）相同。 输出的特征矩阵深度（个数），与卷积核个数相同

• 激活函数：

• 矩阵经卷积操作后的尺寸由什么因素决定：

七、池化层：

• 目的：对特征图进行稀疏处理，减少数据运算量
• ｍａｘｐｏｏｌｉｎｇ下采样层：取的最大值
• ａｖｅｒａｇｅｐｏｏｌｉｎｇ下采样层：取的是平均值。 池化层特点：

没有训练参数 只改变矩阵的宽度和高度，不改变深度 一般池化大小和步距是一样的。

八、回顾
全连接层
卷积层
池化层