CS231n 计算机视觉（学习笔记）第五章 卷积神经网络（0802）

第五章 卷积神经网络

convolutional neural networks
卷积–保留输入的空间结构

5.1 历史部分

from1957 神经元在视觉皮层的工作原理
1980 神经认知机
1998 Lecun 反向传播和梯度
2012 AlexNet
近年应用

5.2 卷积和池化

1.卷积部分
卷积核–遍历所有通道（点积运算）
栅格、 步长（根据图像尺寸确定步长和结果的维度）
（N-F）/stride + 1（当做零填补-zero pad时注意区别，全尺寸输出）
多个卷积核–多个激活映射
参数数量为卷积核 （n×n×输入数据深度+偏置项）×卷积核个数
卷积核数量一般采用2的次方数
2.池化部分
降采样–让生成的表示更小更容易控制（深度不变）不做填零
最大值池化：任意区域的值代表卷积核的激发程度

5.3 视觉外的卷积神经网络