卷积神经网络整体架构
卷积层涉及参数
激活函数
每个区域提取的特征要尽可能的多？
卷积大量提取特征，让下游有的选择，特征的多样性，第一层有丰富信息，第二层才有得做
256
512
每个区域提取的特征要尽可能的多
每个区域都有 256 个特征
卷积核的层数和输入是一样的？
刚刚输入的彩色图片是三层，那么初始的卷积核就是三层的
卷积核上的权重是什么样的？
开始时是随机的
后需要更新的
卷积加偏置等于最后的值
卷积核大小 为什么 3×3 ？
计算量更大，
算的次数多，
特征算出来的多，
提取较多的特征
步长的选择？
越小越好，特征也提取的比较好
pading的作用？
加上边界，对边界点不公平，需要加个边界，加一圈 0
h 加 2，w 加 2
提很多层卷积，每一层卷积在做什么？
不可解释
卷积结果计算公式？
共享权重参数？
w权重不变，每一层的权重不变，随着步长一步一步的往下走
共享权重参数，
省参数，省资源，多个卷积核来弥补
如果图像变大了，参数个数不会发生改变
池化层的作用？
经典算法vgg
经典算法 resnet
目的： 筛选特征的过程
图变小了，个数没变，
maxpooling 取出四个位置中的 最大的值 最大池化，也就是最厉害的特征，无法证明，实践发现，数值越来越大，的效果越来越好，也就是最好的特征
平均池化，已经很少用了，在取全局特征时，会取平均池化
池化不需要训练，已经定好了，去最大的，没有参数计算的过程，参数也不会发生变化
4×4 变成 2×2
vgg 经典
1 3×3 卷积可以一直用
2 pooling突变小后，就是精锐了，卷积核翻倍 再去扩充特征
3 速度慢
存在的问题：层数越高，错误率越高，无法解决
resnet 经典 改变世界的一件事
一句话：至少不比原来差
为什么会变差，无可解释，为什么越来越变差？
x 2x 3x 对照实验
全改成 resnet 格式
缺点:存储空间太大了，额外存储其中的 x 显存翻倍了，中间过程的显存使用翻倍了
怎么办？
分支越多推理速度越慢，分支合并后续讲，推理时省，训练时省不了（推理这部分还不理解）
参数没有变大
感受野 重要操作
特征图中上的一个点相当于是原始图像的多大区域
感受野的计算
计算一个点代表的原输入的多少像素点
是越大越好吗？
是的，感受野越大越好
一个点相当于是很大一个区域
为什么 3×3？
1 参数少
2 特征多
3 速度快
4 同样的感受野下，3*3要多处理几层，可以增加非线性 增加 bn 标准化