1、灰度影象，邊緣檢測， 使用核函式的缺點，影象的向量會不斷的縮小，另外乙個就是邊緣的向量相比於中間的向量被覆蓋的次數會少很多。解決這個的方法就是padding在影象的周圍再新增一圈向量。
2、核函式通常是奇數維向量
3、卷積層，
池化層：選出某一區域的最大值，另外還有 平均池化，就是求乙個小區域的均值
，全連線層：類似於普通的神經網路，將最後的比如120*1的列向量全連線對映到80*1的列向量上
4、通常是乙個卷積層後面跟乙個池化層，然後有多個卷積層和池化層，也可以多個卷積層後跟乙個池化層。最後加上幾個全連線層，最後再加上softmax函式等。
5、卷積神經網路的作用，簡而言之就是在保持特徵的前提下，縮小所含的元素，這個可以從向量逐漸變小看出來。這樣也能減少神經網路所需要的引數，以便整個網路的快速形成。
6、le net-5：針對灰度圖訓練出來的：
9、resnets:殘差網路
在第二層進行啟用函式之前加上第一層的輸入，一起輸入到啟用函式裡。來運算。普通的網路隨著層數的增加，訓練錯誤也會增加，因此誤差剛開始隨著層數的增加，逐漸降低，但是當達到一定層數之後，誤差就會逐漸公升高，但是殘差網路有助於改善這一情況。並且會減弱梯度**以及梯度消失的情況。
10、1*1的卷積核可以幫助壓縮影象的通道，即厚度
11、inception網路：
訓練引數來決定使用哪乙個卷積層，即給每個卷積層或者池化層加上權重，然後訓練網路，讓網路來決定使用哪乙個卷積層，1*1可以減小計算規模，即在一般的卷積話層之間先加乙個1*1的卷積層，過度一下（有時也稱為瓶頸層，因為是利用1*1先縮小厚度，然後再使用卷積層增加到目標厚度，這樣一層化為兩層，原來的乘法運算被劃為先分乘，再加在一起）。
12、inception網路：
13、遷移學習，當資料量非常小時，將前面的層凍結起來，只訓練最後一層，或者凍結前面部分的層，訓練後面一部分的層的引數，如果資料量大時，也可以使用別人訓練好的引數作為初始化的引數，然後再來訓練所有的層
14、目標檢測：目標檢測中y被定義為乙個含有座標的標籤：
15、yolo演算法，
16、交並比：lou
17、anchor box
18、r-cnn：區域卷積神經網路，
吳恩達《卷積神經網路》
一 yolo algorithm 把輸入的分割成3x3個格仔或19x19個格仔，每個格仔進行檢測輸出八個特徵，3x3就輸出3x3x8個向量。yolo演算法的優點是不需要乙個演算法跑很多次。相反這是單次卷積實現，在處理計算時很多步驟都是共享的，而且執行速度非常快可以達到實時識別。物件中點的座標在哪個格...
吳恩達 卷積神經網路
卷積神經網路 卷積操作 設輸入n，filter為f，padding為p，步長 stride 為s 則卷積 不滿足結合律，滿足結合律還需要對filter進行水平和垂直翻轉 之後影象大小為 n 2p f s 1 向下取整 rgb影象卷積操作 同時相乘相加，三個channel輸出乙個值 為什麼cnn可以避...
吳恩達 深度學習筆記《卷積神經網路》
cnn的提出以及優勢 簡單卷積網路示例 池化層 其他使用卷積的原因 相比標準神經網路，對於大量的輸入資料，卷積過程有效地減少了 cnn 的引數數量，原因有以下兩點 1，引數共享 parameter sharing 特徵檢測如果適用於的某個區域，那麼它也可能適用於的其他區域。即在卷積過程中，不管輸入有...