【學習筆記1】吳恩達_卷積神經網路_第一週卷積神經網路（1）
一、卷積神經網路
1.邊緣檢測
不同的語言中表示卷積的函式不同，在Python中為在tensorflow裡為
濾波器：垂直、水平邊緣檢測。
Sobel filter:其優點在於增加了中間一行元素的權重，即影象中間的畫素點提高，會使結果的魯棒（robust）性提高。
Scharr filter
通過反向傳播方法得到九個數的濾波器，得到任意角度的邊緣檢測。將這九個數設為引數，讓神經網路去學習它，得到較為低階的特徵，如邊緣特徵
2.Padding
圖片的大小為n*n,卷積大小為f*f,輸出圖片維度為（n-f+1）*（n-f+1），這樣做的缺點：a.會使圖片縮小；b.角落邊的畫素只被一個輸出所碰觸，意味著丟失很多邊緣資訊。為了解決這兩個問題，需要在影象輸入時，在影象四周做一圈填充（Padding）,通常使用0作填充。將p=padding number=1,則影象變為（n+2p）*(n+2p),輸出影象最終為（n+2p-f+1)*(n+2p-f+1),若f=3,p=1則輸出影象畫素等於原來影象畫素即為Same convolution，同時削弱了缺點b的影響。
填充層數的不同，產生不同的卷積：
*當f=5時，p=2，輸出與輸入影象大小相同。
在卷積神經網路中f很少為偶數，當f為偶數時可能需要引入不對稱填充，同時，如果f為奇數，會產生中心畫素點，便於指出卷積所在位置。
3.卷積步長（stride）
改變步長，輸出影象維度改變。
根據上圖公式，若結果不是一個整數，向下取整數，這種方法要求卷積掃過的面積不包含填充層。
關於互相關和卷積的技術性建議:
在數學和技術中對於卷積的定義不同。在數學中，卷積是做元素乘積求和之前，將卷積進行沿豎直和水平軸的翻轉；在深度學習的操作裡我們進行的操作實際為互相關，不進行翻轉操作，稱作卷積操作。