标签：
七月算法（julyedu.com）12月机器学习在线班学习笔记http://www.julyedu.com
三个要点
1: 首先将输入数据看成三维的张量(Tensor)
2: 引入Convolution(卷积)操作，单元变成卷积核，部分连接共享权重
3:引入Pooling(采样)操作，降低输入张量的平面尺寸
高，宽度，深度，eg:彩色图像:rgb,3个深度，图像的大小是160高度，320，
（3,160,320）一个三维张量
一维信号的卷积：
卷积核：1,0，-1
如图步长stride:2 具体的操作是于卷积核对应位置相乘后续相加即 0*1+1*0+2*(-1)=-2这就是第一个数据和卷积核相乘相加得到的-2；后面一次类推
那么3D-张量的卷积操作如下：
?
nn.Spatisl Convolution（3,2，3,3） 第一个3，是输入图像的深度为3,第一个数字2是两个卷积核，后面的3,3，是生成图像的大小3*3的，一共有2张图。
卷积操作在深度上面不滑动，为了后面的共享全连接
如下图，将蓝色的部分和对应红色的部分相乘后香蕉，之后再将三个卷积核对应操作得到的数值全部相加，可以得到数值9，这也就是3维张量的卷积操作，
Padding:1在左右都加上0，其中为了能更好的适应卷积的操作需要将图像的边缘一周全部加上0，为了尺寸的方便。 (3,5,3,3, 1,1 1,1)后面两个都是补0操作。
Bias:偏移量，每个卷积核都带有一个，b0[:,:,0]
?
特征是由深度网络学习出来的，而不是提取出来的
三种：ReLU LeakReLU ELU
?
对应区域，按照规则，求最大，或者求平均如下图，为了调整尺寸，深度不减少，但是可以将H*W处理的尺寸降下来。
将一组图像调整成0均值，调整偏移量offset
针对图像识别的卷及网络设计
1, 尽量使用3x3尺寸的卷积核，甚至更小(2x2或者1x1), stride取1(除去第一层可以采用稍大尺寸的卷积核)，后面的层次采取较密集的滑动
2, 使用Pooling(2x2)对网络进行1/4下采样
3, 采用多层次架构，采用残差结构实现更深的网络
1, [CONV-RELU-POOL]xN+[FC一RELU]xM+SOFTMAX 卷积CONV, RELU的激活函数，降维到1/4，重复N,
2, [CONV-RELU一CONV-RELU一POOL]xN+[FC一RELU]xM+SOFTMAX 卷积两次降维一次，(注意最后一层FC，不采用ReLU激活函数)
输入图像 224*224*3
第一层
1，（3，3，3）一共有64个卷积核，1728个权重， 第一个3是深度，第二个3*3是卷积核的大小，输出224*224*64，（人工指定）会输出64张图。
2，输入224*224*64，之后深度变为64，参数：（3*3*64）36864个权重，因为有64个深度
3，poling3一次，将图片大小变为112*112*64 ，由3.2M变为800K
……
FC进行全连接
?
3.1复杂网络结构的BP计算
1，核心：依然是链式规则
2，利用框架搭建网络
3，对自己实现的结构，严格用,数值计算验证
跑一边epoch
1,训练时，对图像增加随机噪声,
2，在257x257图像中，随机采样224x224的子图
3，图像采用随机左右镜像
4，在FC层之间使用Dropout技术,可以用用残差的网络
5，尝试BN，残差结构
(Waifu2X实验示例)
七月算法--12月机器学习在线班-第十九次课笔记-深度学习--CNN
标签：
原文地址：http://www.cnblogs.com/sweet-dew/p/5488056.html
