04.卷积神经网络

第2周 深度卷积网络：实例探究

2.1 为什么要进行实例探究？

1. 概述
   （1）经典网络
   LeNet-5
   AlexNet
   VGG
   （2）ResNet
   （3）Inception

2.2 经典网络

1. LeNet-5
   （1）针对灰度图像。
   （2）输入：$32\times 32 \times 1$32×32×1。
   （3）Conv1：$f=5, s=1$f=5,s=1，6个过滤器，输出$28\times 28\times 6$28×28×6。
   （4）Pool1：$f=2, s=2$f=2,s=2，一般采用平均池化，输出$14\times 14 \times 6$14×14×6。
   （5）Conv2：$f=5, s=1$f=5,s=1，16个过滤器，输出$10\times 10\times 16$10×10×16。
   （6）Pool2：$f=2, s=2$f=2,s=2，一般采用平均池化，输出$5\times 5 \times 16$5×5×16。
   （7）FC3：$120$120
   （8）FC4：$84$84
   
   （10）论文：LeCun et al. 1998. Gradient-based learning applied to document recognition。
2. AlexNet
   （1）输入：$227\times227\times 3$227×227×3。
   （2）Conv1：$f=11, s=4$f=11,s=4，96个过滤器，输出KaTeX parse error: Undefined control sequence: \5 at position 9: 55\times\̲5̲5\times96。
   （3）Pool1：$f=3, s=2$f=3,s=2，采用最大池化法。
   （4）Conv2：$f=5$f=5，256个过滤器，采用相同卷积法，输出$27\times27\times256$27×27×256。
   （5）Pool2：$f=3,s=2$f=3,s=2，采用最大池化法，输出$13\times13\times256$13×13×256。
   （6）Conv3：$f=3$f=3，采用相同卷积法，输出$13\times13\times384$13×13×384。
   
   （7）论文：Krizhevsky et al. 2012. ImageNet: classification with deep convolutional neural networks。
3. VGG-16
   （1）Conv=$3\times3$3×3过滤器，$s=1$s=1，相同卷积
   （2）MAX-POOL=$2\times2,s=2$2×2,s=2
   （3）$[CONV 64]\times2$[CONV64]×2表示有两层卷积层，每层有64个卷积过滤器
   
   （4）论文：Simonyan & Zisserman 2015. Very deep convolutional networks for large-scale image recognition。
4. 论文阅读顺序建议：首先阅读AlexNet论文，然后是VGG论文，最后是LeNet。

2.3 残差网络

2.4 残差网络为什么有用？

2.5 网络中的网络以及$1\times1$1×1卷积

2.6 谷歌Inception网络简介

2.7 Inception网络

2.8 使用开源的实现方案

2.9 迁移学习

2.10 数据扩充

2.11 计算机视觉现状