应用

• 图片分类
• 图片检索
• 图片分割
• 图片风格迁移
• 姿态估计
• OCR
• 等

卷积神经网络

• 核概念
• 计算机视觉中处理图片的核大小是通过经验得来的，而深度学习中的权重大小是自己学习出的。
• 卷积VS神经网络：一个是局部观察一个是全局观察
• 参数（权值）共享：一次卷积用的是同一个卷积核
• 卷积核通道数由输入图像通道决定，卷积核的个数自己决定，它决定了输出的feature map个数
• 层级关系：感受野，对卷积的结果再做卷积，在堆叠了两层（或以上）后能看到的范围更大了
• 在浅层卷积中，感受野小，看到的是细节信息。在深层卷积中，感受野大，看到的是全局信息
  

卷积处理分类问题

1. Auto ML：自己学习比较优秀的超参数（前沿、难）=》前期不要研究，需要算力比较庞大，一般在谷歌、百度
2. padding（填充）：让卷积对图像的关注均衡，调节 feature map 的尺寸
3. stride（步长）：影响 freature map 的大小
4. polling（池化）：

• 作用：
  • 降维，在保证原有特征的基础上，尽量减少参数。
  • 使网络对一些小的局部形态改变保证不变性，并拥有更大的感受野。
  • 做特征的汇聚
• 玄学：现有的科学认知没有达到能够解释模型的程度，并不是它真的玄学。