《卷积网络》

一、卷积网络中的迁移学习

要做一个项目或应用时，先从GitHub下载别人的代码下来，因为别人一般都是训练好的，且初始权重值也一般比较好。所以就从别人搭好的框架开始修改自己的代码。

例如：自己家有两只猫，一只Tiggar，一只Misty。所以先从GitHub下载有关猫的图像识别的代码。当数据集较少时，可以把前面的几层隐藏层都冻结，既不用训练前面的层数看，把softmax函数输出后面的先去掉，自己在创建自己的softmax函数输出。如输出为Tigger、Missy和Neither三个类别。

当数据集较大时，可以冻结前面的几层，留着比较后面的层数进行权重训练，softmax也可以自己写。

当数据集很大时，更新所有层数的权重，不用再冻结层数。关系如下图：

二、数据增强

方法一：镜像对称

方法二：随机裁剪

方法三：色彩转换

三、目标检测：滑动窗口检测

用一个小窗输入卷积网络，遍历整张图片，设置合理的步长。

四、目标定位及分类

y表示输出的特征，Pc表示图片有没有所要检测的物体，Pc=1表示有物体。L(y^,y）表示损失函数，即实际值与网络输出值的差值。图片左上角坐标记为（0,0），右下角坐标即为(1,1)。bx,by表示物体中心点的坐标，bh,bw表示物体相对于整张图片的比例