1. 經典神經網路alexnet的理解
（1）卷積層、池化層 和全連線層的理解
從巨集觀的角度看，如果我們要對一幅影象進行識別，從影象處理--畫素的角度來看，每個物體不同畫素的組成構成了不同的特徵，通過這些特徵來區分物體是什麼；那麼卷積層就是從影象中提取各種特徵，池化層就是為了簡化特徵提取最重要的特徵，這樣可以減少識別的時間，全連線層就是把這些特徵都組合起來，這樣才能判斷這個影象中到底是什麼東西
（2）卷積層是如何實現特徵提取的
首先，從影象處理的角度，卷積本意是尋求兩個影象的相似度，例如我們要提取影象中的圓，那麼我們用乙個圓的模板與之進行卷積，值最高的地方就是最相似的地方，這樣就可以找到圓的位置了；廣義來講，也就實現了圓這個特徵的提取，那麼在深度學習中，我們是不知道我們要提取什麼特徵，那麼卷積的核也就是模板是不知道的，這個引數呢也就是通過不斷學習得到的，這樣才能提取出影象中有用的特徵
卷積核的厚度（第三維的尺寸）=被卷積的影象的通道數
卷積核的個數=卷積操作後輸出的通道數（第三維的尺寸）
（3）池化層如何實現特徵融合和降維的
池化也是一種類似卷積的操作，只是池化層的所有引數都是超引數，都是不用學習得到的。池化操作的降維改變的是影象的寬高，而不改變通道數。
（4）全連線層如何實現分類的
全連線層其實就是之前學深度學習時最簡單的y=wx+b，通過第一層將卷積的結果再經過卷積生成列向量，通過啟用函式將其進行非線性化，從而分類
總結，alexnet是由五個卷積層和三個全連線層組成的八層網路，引數個數：60m，分類數目：1000類
努力成為優秀視覺工程師的一天（四）
1.googlenet網路的深度理解 googlenet相比alexnet和vgg網路，最大的改進就是引入了inception模組，為什麼引入呢？根據前面神經網路的經驗，我們需要通過增加網路深度 層數 來提高訓練效果，但缺點是 層數多導致引數多，容易引起過擬合 梯度消失等問題，因此呢，解決上述缺點的...
努力成為優秀視覺工程師的一天（一）
1.經過rgbd slam的一系列配置之後，重新開啟pytorch的深度學習演算法，在pycharm中在呼叫matplotlib庫的時候遇到了如下問題 大概意思就是說 qt平台有些問題，這個問題乍一看我以為是之前配置qt的時候環境變數修改了一些東西，所以按照網上各種修改環境變數的做法，通通做了一遍，...
努力成為優秀的工程師
華為諾亞方舟實驗室首席科學家李航結合自己的親身經驗，提出了成為優秀工程師應該遵循的五項原則 面對問題，解決問題 系統地解決問題 站在使用者角度看問題 以最小的代價獲得最大的效益 磨在細處。我一直在it企業的研究部門任職，迄今經歷了三家公司 nec 微軟 華為。工作都是既有基礎研究，又有產品開發。其實...