图片分类

一张图片中可能有多个需要识别的物体，会用方框标注他们的位置和类别
例：
给出一张照片，计算机需要从中识别出这是一只猫

一张图片的计算量是较大的，这张图片的尺寸虽然是6464，因为每张图片有3个颜色通道，所以实际的计算量是6464*3=12288。如果处理更大的照片，计算量会更大，特征向量的维度会更大。

风格迁移

用神经网络画一张新的图片，轮廓是第一张图片的，风格采用第二张图片。

边缘检测

卷积如何计算
前几层的可能检测到图片的局部内容，再往后几层检测到图片更大的一部分内容，最后几层可能检测到图片的完整物体

例：
想让计算机识别图片中的物体

1.检测图片中的垂直边缘，比如图片中的栏杆和行人。页可以检测横向边缘

垂直边缘

横向边缘

计算机如何检测

下面是一张6*6的灰度图片

构造3×3的矩阵（过滤器），有的会称为核。
对6×6的图片进行卷积计算，与3×3矩阵卷积，会得到4×4的矩阵。(卷积一般用 * 号表示)

4×4矩阵的第一个格子是把3×3矩阵覆盖在6×6的左上角上，如下图。

（1，1）=3×1
（2，1）=1×1
（3，1）=2×1
用同样的方法得出覆盖处的每一个位置的值，并且把所有值相加，即
3×1+1×1+1+2×1+0×0+5×0+7×0+1×-1+8×-1+2×-1=-5
把-5填到 4×4的第一个位置

4×4的第二个方格
把3×3的矩阵往右移动一个单位。用上面的方法相加得到-4.

4×4 （另外一张图片）后面的数用同样的方法

• 3×3往右移（如果是计算4×4的（2，1）则将左上角的3×3的矩阵往下移一个单位）
• 计算6×6覆盖后的每一个方格的值
• 将每个方格的值相加 得到4×4当前位置的数
  python中用conv_forward
  

可以做垂直边缘检测的原因

例：
下面图片的左侧是10，代表相对比较亮的像素，右侧是0，代表相对比较暗的像素
在这张图片的垂直线在10到0的正中间


用3×3过滤矩阵卷积后，会得到下面的图片，其中30是由10+10+10得到的

如果把4×4矩阵转为图片是下面的样子，则会显示出中间的垂直边缘。因为这张图片较小，所以垂直边缘明显，如果是大的图片，垂直边缘会更窄

用3×3矩阵卷积，左侧是亮的(1,1,1），中间（0，0，0）不考虑，右边（-1，-1，-1）为灰色

区分正边和负边

下面图片把上面的图片翻转了，左边暗，右边亮。如果用同样的3×3矩阵过滤会得到中间是-30,即由暗转亮的边缘线

其他过滤器

这个矩阵上边亮，下面暗

例：
下面的矩阵通过水平过滤器得到下面的4×4矩阵
其中，橙色框的30是由6×6矩阵的橙色框得到的，可以看到上面亮，下面暗，所以是正值
而4×4矩阵的绿色框中的-30是由6×6矩阵的绿色框矩阵计算得到的，可以看到6×6绿色框中上面暗下面亮，所以是负值

如果图片尺寸大，中的边值会比较小，没有10那么大。
可以使用其他过滤器

优点：增加了中间的权值

可以用于垂直边缘检测，如果反过来可以得到水平边缘检测

矩阵中的所有值都设成参数，让神经网络去学习。可以检测任何角度的边缘