深度学习第四课第一周--卷积神经网络(随笔)
1.计算机视觉
计算机视觉曾经面临的挑战 –>输入的图片数据量(维度)很大 （64*64*3=12288）
当输入图像为1000*1000*3，输入数据为300000时，内存会非常大，也会很容易造成过拟合。
2.边缘检测
垂直边缘和水平边缘检测
图示为垂直边缘检测实例
3.Padding
padding解决了两个问题：
1.卷积之后图像输出缩小
2.图像的边缘信息容易被忽略
由上图可知卷积核大小一般设置为奇数
卷积步长（stride）
这节没什么要记住的
如何卷
3*3*3的卷积核在左图中做对应元素相乘，然后把27个参数相乘结果相加，得到的feature_map为4*4*1
简单卷积网络示例
池化层
优点：
1.缩减模型大小
2.提高计算速度
3.提高所提取特征的鲁棒性
池化的过程是对每个通道单独执行max_pooling，即通道数池化后不会减少
推荐值是f=2 s=2,池化后输入图层的高度和宽度缩小一半
为什么卷积如此有效
卷积可以使得参数减少，降低过拟合，自动变得更鲁棒，一图胜万语