卷积神经网络基础入门（一）

1.1 计算机视觉（Computer Vision）
1、机器学习的应用：
（1）图片分类/识别（Image Classification）
（2）目标检测（Object Detection）
（3）神经风格迁移（Neural Style Transfer）
2、传统机器学习存在的问题：数据量过大
1000 * 1000 *3 = 3million（大图片）
故需要使用卷积运算。

1.2边缘检测（Edge Detection）示例
边缘检测分为垂直边缘（Vertical Edges）检测和水平边缘（Horizontal Edges）检测。这里先以垂直边缘检测为例进行介绍：

相当于对一张6 * 6的图片，经过一个3 * 3的过滤器，转换成了一张4 * 4的图片。
【注】不同的编程语言有不同的卷积函数：
python：conv_forward
tensor flow: tf.nn.conv2d
keras: Conv2D

1.3更多边缘检测内容


1.4 Padding（填充）
n * n * f * f =（n-f+1） * （n-f+1）
这样的话，有两个缺点：
（1）每做一次卷积操作，图像就会缩小。
（2）边缘或者角落处的像素点只被一个输出使用，所以那些角落或者边缘区域的像素点在输出中采用较少，也就意味着丢掉了图像边缘位置的许多信息。
为了解决上述两个问题，在卷积操作之前，可以填充原始图像。
6 * 6（P=1）➡️ 8 * 8 * 3 * 3 =（8-3+1） * （8-3+1）= 6*6
习惯上，可以用0去填充，若P为填充数量，
输出则变成了（n+2p-f+1) * ( n+2p-f+1)
同时角落或者边缘的信息发挥的作用比较小的这一缺点就被削弱了。
选择填充多少像素，通常有两个选择：
（1）valid convolutions（no padding）：n * n * f * f ➡️（n-f+1） * （n-f+1）
（2）same convolutions：即使得输出大小与输入大小一样。
n+2p-f+1 = n
➡️p = （f-1）/2，f取奇数。