深度学习——学习笔记三

卷积神经网络

1.1计算机视觉           

        识别一张图片时，不一定只要识别出相应的物体，比如无人驾驶技术。在目标检测项目中，首先需要计算出图中有哪些物体，再将它们模拟成一个个盒子，或者用其他的技术，识别出他们在图片中的位置。

        另一个例子，是神经网络实现的图片风格迁移。你有一张图片（左），你想将他转换成右边的风格：

        

你有一张满意的图片和一张风格的图片，你可以用神经网络将他们融合在一起：

最后生成的图片是左边的轮廓和右边的风格。

应用风格迁移时，需要注意的一点是数据的输入可能会非常大。之前64*64的图片，其实是64*64*3=12288的维度，如果你要操作1000*1000的图片，维度是3M，你也许会有1000个隐藏单元 ，而所有的权值，组成了矩阵W^[1],这个矩阵的大小，将会是3M*1000，这意味着矩阵w^[1]会有30亿个参数！

1.2边缘检测示例

        卷积运算是卷积神经网络的重要组成部分，使用边缘检测作为入门样例。

        前面提到深层需要做的是检测物体的一个部分，或检测整个物体。那么怎么检测一个边缘呢？

        以这个图片为例，我们首先检测的是他的垂直边缘，人的身体和直栏便被检测出来；然后检测水平边缘，横槛就被检测到了。如何检测的呢？ 

        这是一个6*6的灰度图像，也就是6*6*1的矩阵A，为了检测边缘，我们可以创建一个3*3的过滤器filter， 

 在论文中，有时会叫他kernel（核），对他们做卷积运算，用A*filter表示，*是卷积运算的标准符号，得到的结果是4*4*1的矩阵，可以看成是一个4*4的图像。将过滤器覆盖在矩阵的第一个3*3方阵，如图