deadline: 2020-08-01 22:00
這部分是桑老師給課程加的內容，大家看看，科普下就好，看不太明白也沒有關係
主要內容包括：
主要內容包括：殘差學習的基本原理、恒等對映和shotcut、使用 pytorch 實現 resnet152
**練習需要使用谷歌的 colab ，大家有任何問題可以隨時在群裡 at 我。有部分同學已經做過這部分**練習，可以略過。
構建簡單的cnn對 mnist 資料集進行分類。同時，還會在實驗中學習池化與卷積操作的基本作用。
使用 cnn 對 cifar10 資料集進行分類
要求：這部分為 kaggle 於 2013 年舉辦的貓狗大戰競賽，使用在 imagenet 上預訓練的 vgg 網路進行測試。因為原網路的分類結果是1000類，所以這裡進行遷移學習，對原網路進行 fine-tune （即固定前面若干層，作為特徵提取器，只重新訓練最後兩層）。
仔細研讀ai研習社猫狗大戰賽題的要求： （目前比賽已經結束，但仍可做為練習賽每天提交測試結果）
我按照上週提交作業的先後次序，抽了解志傑、王炳路、馮敏三個同學做分享。我指定乙個知識點或****來閱讀，然後下周四（7月30日）下午用ppt分享，大家一起學習。
馮敏：閱讀《hybridsn: exploring 3-d–2-d cnn feature hierarchy for hyperspectral image classification》
完成一篇部落格，題目為「 第二次作業：卷積神經網路 part 1」，部落格內容包括三部分：
在谷歌 colab 上完成**練習，關鍵步驟截圖，並附一些自己的想法和解讀。（以前已進行過**練習的同學可以略過此步驟）
本部分供有餘力的同學選做。結合**自學谷歌提出的 inception v1 至 v4， 以及 mobilenets，整理乙個學習心得。
本部分僅供有餘力的同學選做。
比賽時間為7月24日至8月22日，來自德國海德堡大學影象處理合作專案，提交結果只要大過標準分40就有獎金。
如果在這個比賽中取得乙個不錯的名次，寫在簡歷裡面，也算乙個不大不小的亮點了 ~~~ 感興趣的同學加油！
深度學習（二 卷積神經網路）
主要層結構 卷積層 池化層 全連線層。神經元個數 乙個卷積層的輸出是20 20 32，則神經元的個數為 20 20 32 12800 濾波器視窗大小 3 3,輸入的資料體深度10，則每個神經元有 3 3 10 900引數 總的引數 12800 900 11520000個引數 引數共享 32個濾波器，...
《1。卷積神經網路》
1.簡述卷積的基本操作，並分析其與全連線層的區別 答 具有區域性連線和權值共享的特點。卷積操作能夠在輸出資料中大致保持輸入資料的結構資訊 2.在卷積神經網路中，如何計算各層的感受野大小？答 3.卷積層的輸出尺寸 參數量和計算量 答 輸出尺寸 1.簡述分組卷積及其應用場景 答 分組卷積就是將輸入通道和...
卷積神經網路學習1 卷積層
卷積神經網路常用於計算機視覺當中，應用在計算機視覺當中，就要面臨乙個挑戰，那就是輸入資料非常的大，假如輸入乙個1000 1000的，那麼他就有1000 1000 3 的rgb三通道 個資料，對於300w的資料量，那麼當我們第乙個隱藏層有1000個神經元進行全連線時，那麼將會有300w 1000個引數...