Coursera吳恩達《卷積神經網路》課程筆記(1)卷積神經網路
阿新 • • 發佈:2019-01-03
計算機視覺
計算機視覺問題
- 圖片分類
目標檢測
畫風遷移
在大圖片上的深度學習
如果採用傳統的全連線層,可能會導致引數巨大,導致無法進行計算。卷積神經網路由此產生
邊緣檢測的例子
可以設計一些專用的filter來提取圖片的縱向邊緣和橫向邊緣
- vertical edges
- horizontal edges
這些專用的filters是計算機視覺專家精心設計出來的,往往可以提取一些不錯的特徵,但每次人為去設計,可能不夠靈活。我們應該嘗試讓資料說話。也就說去學習一些filters
Padding元件
為什麼要引入Padding元件
- 卷積操作會使輸出縮小太快
- 卷積操作會導致輸出中只有極少數值會受到影象邊緣畫素的影響,這樣相當於丟失了一些邊緣畫素的資訊
Strided 元件
strided卷積的例子
strided卷積的總結
在立體上的卷積
在RGB影象上的卷積
採用多個卷積filters
單層卷積神經網路
單層神經網路的例子
單層卷積神經網路的符號規定
Pooling元件
- Max Pooling(常用)
- Average Pooling(不常用)
Pooling層總結
- 池化前後通道的數量不變
池化層沒有需要學習的引數
卷積神經網路層的型別
卷積層
- 池化層
- 全連線層
一個完整的卷積神經網路的例子
- 引數主要集中在全連線層
- 隨著層數的遞增,
nH和nW 都是遞減的,nC 是遞增的
為什麼卷積是有意義的
- 引數共享:如果一個特徵探測器在影象的某個部分是有用的,那麼他很有可能在影象的另外的部分也是有用的
- 稀疏連線:在每一層,每一個輸出中的只依賴一小部分的輸入