前言

大纲目录

首先链接图像颜色通道

---

1.卷积网络和传统网络区别

右边的就是CNN，卷积神经网络，是个三维的，hwc.
传统的是平面的。

2.卷积神经网络整体架构

1.输入层

2. 卷积层

卷积就是特征提取，边界的特征和猫脸的特征重要程度不一样。

下面是一个颜色通道图

这是三通道做卷积，三个卷积核333，卷积核矩阵也不一样，都是做内积，所有结果相乘，结果加起来
想一下，为什么输出是332？
这是因为有两个卷积

这个图和上面的图差不多，我们可以采用两个卷积核去提取特征

这里使用了6个

这里使用了n个

卷积最重要的是卷积矩阵，不同小区，特征值是不一样的。

这个就是三通道加起来

下面就是

卷积要做多少次？

卷积后，大小不一定变换

3.池化层

其实就是下采样

就是找一个最大值

4.全连接层

其实就是做了很多卷积，只不过卷积核和原图大小一样大，做成一个一维的特征向量

5.神经网络

每一个卷积，加一个relu，两次卷积一次池化
全连接层，32**32*10，如果有5个类别，那么就是【10240，5】

6.经典网络

1.Alexnet

2. Vgg

3.Resnet 残差网络-特征提取

分类和回归跟损失函数有关。
层数越大，error越大。
如何解决？
如下图，经过两层卷积后，结果不好，我们再加一条路，到时候就把后面的两层给去掉，权重参数全部设置为0.，加了这条路就有了一个保底的路径。学习完之后，不比原来的差。
这样就可以做到1k层。

7.感受野

最后的那个值是最开始几个数值的综合。