【学习笔记1】吴恩达_卷积神经网络_第一周卷积神经网络（1）

一、卷积神经网络

1.边缘检测

不同的语言中表示卷积的函数不同，在Python中为在tensorflow里为

滤波器：垂直、水平边缘检测。

Sobel filter:其优点在于增加了中间一行元素的权重，即图像中间的像素点提高，会使结果的鲁棒（robust）性提高。

Scharr filter

通过反向传播方法得到九个数的滤波器，得到任意角度的边缘检测。将这九个数设为参数，让神经网络去学习它，得到较为低级的特征，如边缘特征

2.Padding

图片的大小为n*n,卷积大小为f*f,输出图片维度为（n-f+1）*（n-f+1），这样做的缺点：a.会使图片缩小；b.角落边的像素只被一个输出所碰触，意味着丢失很多边缘信息。为了解决这两个问题，需要在图像输入时，在图像四周做一圈填充（Padding）,通常使用0作填充。将p=padding number=1,则图像变为（n+2p）*(n+2p),输出图像最终为（n+2p-f+1)*(n+2p-f+1),若f=3,p=1则输出图像像素等于原来图像像素即为Same convolution，同时削弱了缺点b的影响。

填充层数的不同，产生不同的卷积：

*当f=5时，p=2，输出与输入图像大小相同。

在卷积神经网络中f很少为偶数，当f为偶数时可能需要引入不对称填充，同时，如果f为奇数，会产生中心像素点，便于指出卷积所在位置。

3.卷积步长（stride）

改变步长，输出图像维度改变。

根据上图公式，若结果不是一个整数，向下取整数，这种方法要求卷积扫过的面积不包含填充层。

关于互相关和卷积的技术性建议:

在数学和技术中对于卷积的定义不同。在数学中，卷积是做元素乘积求和之前，将卷积进行沿竖直和水平轴的翻转；在深度学习的操作里我们进行的操作实际为互相关，不进行翻转操作，称作卷积操作。