Lecture 5 CNN

課堂筆記參見：https://zhuanlan.zhihu.com/p/22038289?refer=intelligentunit

不錯的總結筆記：https://blog.csdn.net/sugar_girl/article/details/79108709

1.卷積核步長公式：（N-F+2*padding）/stride+1=new_N   

    N：原圖形寬，F：filter寬，padding：填充寬度

2.卷積核引數公式：5*5*3的10個filter：5*5*3+1（權重加上偏置，一個卷積核對應一個偏置，相當於一次wx+b運算），然後76*10

3.有時候我們會使用1*1卷積核，這樣做就是在深度上進行點積。

4.步長跟影象的解析度有關，當我們使用較大的步長，得到的圖片就是一個下采樣的結果，可以說等同於一種池化處理，但有時候比池化的效果更好。

5.步長跟影象的解析度有關，當我們使用較大的步長，得到的圖片就是一個下采樣的結果，可以說等同於一種池化處理，但有時候比池化的效果更好。

6.選用最大池化的原因：卷積結果的每一個值都表示該卷積區域對應神經元的啟用程度，或者該位置經卷積核處理後的啟用程度。那麼最大池化就表示，這組卷積核在影象任意區域的啟用程度（能達到的最大值）。在目標檢測任務中，最大池化是最直觀的，它能將影象最顯著的特徵凸顯出來。

7.全連線層的作用可以理解為回到了之前的樸素神經網路進行分類，我們不再需要空間結構，將卷積得到的結果一維展開然後進行評分和分類。

8.訓練CNN的demo網頁:

   同樣很好用，優點是將各層output以及filter可視化了，整個介面很友好。

   https://cs.stanford.edu/people/karpathy/convnetjs/demo/cifar10.html