【22-23春】AI作业8-卷积2

1. 步长：步长是数据结构或算法中的一种量度，通常表示集合中相邻元素之间的距离。在机器学习中，步长也可以指代梯度下降法中每个迭代步骤中更新模型参数的大小。其中，步长越小，梯度下降法的迭代次数可能会增加，但保证更好的收敛性和更稳定的结果；步长越大，迭代次数可能会减少，但容易导致不稳定的结果、振荡和发散。
   填充：填充通常用于调整数据的形状或大小，目的是为了方便后续的运算或处理。在图像处理中，使用填充可以将一张图片的边界扩展出一个固定尺寸的区域，从而避免处理时出现边界信息不足的情况。在序列数据处理中，填充可以增加句子长度，使每个句子具有相同的长度，方便进行批量化处理。
2. 感受野：感受野是指一个神经元对输入图像上的区域做出响应的范围。从最底层的数据开始，每个卷积层的神经元的感受野都会随着网络深度的增加而逐渐扩大。一般情况下，感受野越大的特征提取器可以学习到更广阔的图像区域的特征，也就能捕获到更高级别、更抽象的信息。
3. 局部感知：局部感知是指神经元只对其感受野内的像素进行敏感性学习，而不考虑其他区域。与全局感知相比，局部感知能够更好地保留图像的局部特征，从而在图像分类、目标检测等任务中具有较高的准确率。在神经网络中共享权重，减少参数，从而增强模型的拟合能力。
   权值共享：权值共享是指在神经网络的某些层中，多个不同位置或不同参数数量的神经元使用相同的权重参数。它可以使神经网络具有更少的可训练参数，从而减少计算资源消耗和过拟合的风险。在卷积神经网络中，权值共享的主要思想是利用图像的局部相关性，通过一个卷积核对整张图片进行卷积操作，从而提取出图片的特征信息。
4. 池化：在计算机视觉中，池化是一种常用的特征降维方法。池化操作可以对卷积网络的特征图进行缩小，从而降低模型的计算量和参数数量，并且减少过拟合。通常情况下，池化会将输入特征图划分成不重叠的子区域，在每个子区域内取一个特定的值（如最大值、平均值等），用于代表该区域的特征。
   子采样：子采样是指对输入数据进行采样，并保留部分采样点的过程，以减少计算和处理开销。通常用于压缩或缩小输入图像以作为神经网络的输入，或者对卷积神经网络的特征图进行降维处理，使得模型具有更好的效率和泛化能力。
   降采样：降采样是指对图像、信号或特征进行采样，并将采样频率减少到低于原始频率的过程。降采样通常用于减少特征图的尺寸，从而减少模型的参数数量和计算成本。
   汇聚：汇聚是指对前一层卷积输出的特征图做空间降采样，以减少特征图的空间维度，提高模型的泛化能力，使卷积神经网络具有平移不变性。
5. 低级特征：低级特征是指在图像处理或计算机视觉任务中，提取的基础特征信息，通常由一些简单的图像滤波器和处理技术得到。在图像分类任务中，低级特征可以通过卷积操作、汇聚等方法实现，并以激活映射的形式输出。​​​​​​​
   中级特征：中级特征是在计算机视觉任务中生成的一种抽象的特征表示方式，介于低级特征和高级特征之间。中级特征通常可以代表局部对象或部件，但也不同于基本的边缘、角点和线条等低级特征。相对于低级特征，中级特征更加抽象和复杂，在通常情况下要由多个低级特征组合而成。​​​​​​​
   高级特征：高级特征是一种更加抽象、更有语义意义的图像特征表示方式，通常代表着物体类别、场景属性等高层次语义信息。相对于低级特征和中级特征，高级特征通常由更复杂而具有抽象性的特征组合而成。