http://blog.****.net/u011239443/article/details/79057016

1.1 计算机视觉

计算机视觉领域的问题

• 图片分类
• 目标检测
• 图片风格转化

深度学习在图像中的应用

过多的权重参数矩阵让计算、内存消耗使得传统神经网络不能接受。

1.2 边缘检测示例

过滤器示例

该过滤器为竖直边缘过滤器。为什么叫做竖直边缘呢？我们再用该过滤器举个例子：

通过过滤器，能过滤检测出竖直边缘。

1.3 更多边缘检测内容

水平检测过滤器

其他过滤器

这些过滤器的中间权值比较大，使得中心点附近的像素更具有代表性，这样会有更好的鲁棒性。

深度学习中的过滤器

在CNN中，我们会把过滤器中的各个权值作为参数来训练。这样使得过滤器不仅仅能检测竖直或者水平的边缘特征，而且可以检测到角度旋转后的复杂边缘。

1.4 Padding

过滤器有个缺点就是会把矩阵的大小减少，使用 Padding，将图像周边都填充0，就可以解决这个问题：

1.5 卷积步长

过滤器每次移动可以不一定的一步，我们来看下步长为2的情况：

过滤后矩阵边长的公式为：

• n：原矩阵边长
• p：padding 填充边长
• f：过滤器边长
• s :过滤器移动步长

1.6 卷积中“卷”的体现之处 & 1.7 单层卷积网络

结合例子整体的讲解下一次卷积的过程。如我们有 6 * 6 * 3（3是RGB，这里称作信道） 的图片，那么我们的过滤器会是 f * f * 3，过滤器的信道数要和原来图片相同。过滤器的每个信道在原图与之对应的信道上进行过滤，这里就会生成 4 * 4 * 3 的图（图中没有画出来），生成图各个信道的图的对应位置相加，然后加上偏置项b，讲累加的结果传入**函数，就得到了的 4 * 4 的图。不同过滤器得到的图作为某个信道的图堆积成最后的结果，也就是说 有 n 个过滤器，那么过滤得到的图就有 n 个信道。

可以看到，我们训练的是过滤器的权重矩阵W，无论原图变得再大，我们需要训练的矩阵W大小是不变的。

1.8 简单卷积网络示例

1.9 池化层

1.10 卷积神经网络示例（LeNet-5）

1.11 为什么使用卷积？

首先如我们前面所说的，无论原图变得再大，我们需要训练的矩阵W大小是不变的，这可以大幅度的减少需要训练的参数。除此之外，卷积的好处：
!