CNN
第一周：
title: edge detection example
卷积核在边缘检测中的应用，可解释，卷积核的设计可以找到像素列突变的位置
把人为选择的卷积核参数，改为学习参数，可以学到更多的特征
title: padding
n * n图片，k*k卷积核，输出图片是( n - k + 1） * ( n - k + 1）
padding补零，保持图像尺寸
title: Strided Convolutions
步长可调
信号处理的卷积，要先把卷积核沿两个轴反转，神经网络里面所称的卷积没有这一步，实际上是卷积核和信号的互相关，
反转使卷积运算保持了结合律的特性
title: Convolutions Over Volume
对于三维的信号，卷积核也要三维
三维的在对应位置相乘
存在多个卷积核的时候，就把结果叠在一起（假如维度一样，同一层应该是必须一样的
title:One Layer of a Convolutional Network
可以加bias,加非线性函数relu之类的
cnn的参数个数和卷积核的大小以及数量有关，但是和图像大小无关，能控制参数的多少
title:Simple Convolutional Network Example
注意到一层的输出的深度，和这层的卷积核的数量有关，卷积核越多，深度越大，最后如果没有padding，我们的图像在长宽会变小，在深度（厚度）会很深
在cnn层之后会有池化层，全连接层，如果是分类问题
title: Pooling Layers
max pooling, 用区域里的最大值，代表这块区域，相当于把矩阵的尺寸压缩了，有参数f，所划分的最小块区域的大小，stride，移动步长
pooling的解释还挺强行的吧，算了算了
pooling有超参数，没有学习参数
average pooling, 区域里的平均值
一般卷积层后面都跟着池化层
title: why cnn
cnn的优势：
参数共享，一个卷积核里的参数应用到了所有的像素（信号）上
稀疏性
转载于:https://www.cnblogs.com/zherlock/p/11033189.html