1. 卷积神经网络

1.1 卷积神经网络的基础

1. CV领域发展
2. 检测任务
3. 分类和检索
4. 超分辨率重构
5. 医学任务
6. 无人驾驶
7. 人脸识别

1.2 卷积神经网络和传统的网络的区别

传统网络：像是一个二维
卷积神经网络：像是一个三维的 h * w *c

具体架构

卷积层：提取特征
池化层：压缩特征

1.3 卷积的作用

首先将图整体分割成很多小的区域， 目的是很多小的区域得到的特征值是不一样的，计算每个小区域得到的特征值的大小具体是多少
绿色的叫 执行一次卷积得到的特征图 Filter-Map

1.3.1 图像颜色通道

多通道分别去做相同的事 比如RGB


特征图的个数可以是多个，所起的作用是让特征结果更加丰富

Fileter中的w* h称为卷积核，代表在原始图像中选择多大的区域 得到特征值
所有的卷积网当中，都是用内积计算的（所有记过相乘，再相加
最终结果0+2+0 这是Filter，然后在加上Bias（偏置） b=1 最终等于3

与上面第一张操作是一样的

1.3.2 卷积的次数

卷积核的第三个值与前面输入的值一定是一样的

1.4 卷积层涉及的参数

1.4.1 滑动窗口的步长

移动的窗口越多，特征值也就比较丰富，得到的特征图也就越大。

1.4.2 卷积核的大小

卷积核最常见的是3*3 步长为1

1.4.3 边缘填充

+pad 1 填充一圈
越往边界的点，被计算的次数越少。因此 保证边界点利用次数和内部的点的次数一样，进行了边缘填充
为啥要填充0 因此0和任何数字相乘都是0 对最终结果没有影响
一般填充一圈

1.4.4 卷积核的个数

最终计算中，得到的特征图的个数
卷积核中的数据都是不一样的

1.4.5 卷积参数共享

1.5 池化层

将卷积层得到的特征进行压缩（向下 采样）筛选出有意义的值
只是会将特征组的长和宽进行改变，个数不进行修改

只选大的值
还有平均池化（基本使用最大池化）

1.6 整体网络架构

基本上是两次卷积一次池化
带参数计算的才可以叫做一层
所以上面有7层 （6层卷积+1层全连接）

转换的意思是将最终得到的特征图，变成一维的特征向量，进而进行全连接

1.6.1 经典网络-Alexnet

filters 11*11 太多了

1.6.2 Vgg

所有卷积层大小都是3*3
vgg有16层到19层
卷积核比较小
那为什么不进行层数的增加呢？？？

1.6.3 Resnet

将效果不好的层跨过，直接连接下一层

残差网络，层数越多效果一定比层数少的效果好，但是提升程度比较小

1.7 感受野

感受野希望越大越好

• 那为什么不用大的卷积核进行卷积运算？
• 三个小的比一个大的 参数用的少，风险小，效率高，错误率更小

2. 卷积网络参数定义

2.1 卷积网络的参数定义