2022秋中国海洋大学《软件工程》第14小组第三次作业

2022秋中国海洋大学《软件工程》第14小组第三次作业

本博客为OUC2022秋季软件工程第三次作业

一、学习心得

兰宇瑞

卷积神经网络是深度学习的代表算法之一，具有表征学习能力，可以按照其阶层结构对输入信息进行平移不变分类。卷积神经网络在计算机视觉领域发挥了巨大的作用，在自动驾驶、人脸识别方面都有很多的应用。卷积神经网络的结构分为输入层、隐含层、输出层。其中最复杂的为隐含层，包括卷积层、池化层和全连接层3类常见构筑，到目前一些先进的算法中还包括Inception模块、残差块等复杂构筑。

文顺

在《深度学习数学基础》中，我对机器学习三要素（模型、策略、算法）、频率学派&贝叶斯学派、因果推断和群体智能有了初步了解。

机器学习中的主要数学基础有三：线性代数、概率统计和微积分。线性代数在深度学习中作为数据表示和空间变换的有力工具，概率统计是模型假设和策略设计的关键方法，而微积分则是求解目标函数具体算法的数学基础。梯度下降十分重要，是神经网络的共同基础。概率和函数两种形式看似两相对立，实则有机统一，经验风险最小化策略与极大似然策略优化得到的模型参数是一致的。此外，频率学派主要关注可独立重复的随机试验中单个事件发生的概率，其模型参数唯一，需要从有限的观测数据中采用极大似然估计法来估计参数值；而贝叶斯学派则主要关注随机事件的可信程度，其模型参数是随机变量，需要采用最大后验估计法估计参数的整个概率分布。

在《卷积神经网络》中，我对卷积神经网络的应用、其与传统神经网络的差异、以及卷积神经网络的基本组成结构（卷积、池化、全连接）和卷积神经网络的典型结构（AlexNet、ZFnet、VGG、GoogleNet、ResNet）有了初步了解。

卷积神经网络（CNN）在计算机视觉中有重要应用（图像检测、分割、分类、检索、人脸识别、图像生成、风格转化、自动驾驶等）。一个典型的卷积神经网络由卷积层、池化层和全连接层构成。全连接层通常在卷积神经网络的尾部。通过学习五大经典CNN结构，我对卷积神经网络有了一个更为深入的认识。

李昊

在本次视频学习中，主要学习了CNN的基本结构，包括卷积、池化和全连接。以及典型的网络结构如：AlexNet、VGG、GooleNet和ResNet。同时我也基本了解了卷积神经网络的概念，同时通过课后的实验，也对新学习的内容进行了巩固。

吴鑫磊

传统神经网络可以应用到计算机视觉上，但全连接网络处理图像的问题存在参数过多问题从而导致过拟合，而卷积神经网络可以通过局部关联和参数共享来解决。卷积网络的基本组成结构是卷积、池化和全连接传统神经网络：参数太多，会出现过拟合现象，同时它的泛化性能差卷积神经网络：局部关联并且参数共享相同之处：传统神经网络与卷积神经网络都是层级结构一维卷积主要应用于信号处理，计算信号延迟累计。二维卷积主要是数字图像处理，当大小不匹配时，需要零填充操作。

陈子琪

视频的前部分介绍了传统神经网络与卷积神经网络，并进行对比。讲到了深度学习三部曲，即step1：搭建神经网络结构，step2：找到一个合适的损失函数，step3：找到一个合适的优化函数，更新参数。其中损失函数用来衡量吻合度。接下来讲到传统神经网络可以应用到计算机视觉上ÿ