一、视频学习心得
徐一凡：本次对于卷积神经网络的学习是一个知识体系的构建过程, 首先我进行了对于计算机图形学，深度学习以及传统神经网络的回顾，进行了回归函数，梯度算法的逐步推导。很自然的，传统神经网络的局限性以及过拟合问题的出现，对神经网络提出了更高的要求：在保留特征的同时减少了计算量和参数，与此同时，建立起了一个完整的由卷积层，池化层，全连接层交叉堆叠而成的卷积神经网络的体系，卷积层的功能是对于输入数据的特征提取。其余层不做赘述。同时每层之间也有权重连接，更加科学合理。此次学习我更学习到了很多诸如AlexNet、VGG、GoogleNet、ResNet的网络结构。同时利用实践进行了探索与巩固。 问题：对于神经网络的数据的获取收集能否使用神经网络进行筛选？（对于数据的获取收集的改进性) |
宋蕾：1、卷积神经网络可以用于分类、检索、检测、分割、人脸识别（表情识别）、图像生成、图像风格转化、自动驾驶 2、传统神经网络是和图片上的每一个像素点连接，参数太多，容易过拟合，而卷积神经网络是局部关联，参数共享。池化在保留了主要特征的同时减少参数和计算量，防止过拟合，提高模型泛化能力。 3、卷积神经网络典型结构有：AlexNet（有百万级ImageNet图像数据训练，使用了非线性激活函数ReLU,使用Dropout，Data，augemntation防止过拟合，使用双GPU实现），ZFNet（网络结构与AlexNet相同，将卷积层1中的感受野大小由11*11改为7*7，步长由4改为2；卷积层3，4，5中的滤波器个数由384，384，256改为512，512，1024）；VGG（一个更深网络）；GoogleNet（网络包含22个才参数的层，独立成块的层总共有100个，参数量大概是Alexnet的1/12,没有FC层）；ResNet（可以被用来训练非常深的网络） |
郭夏敏：通过视频的学习，了解到卷积神经网络相对于传统神经网络的一些优势，传统神经网络权重矩阵的参数太多，容易发生过拟合，卷积神经网络通过局部关联，参数共享等方式解决了这一问题，在计算机视觉领域被广泛应用。对卷积神经网络的基本组成也有了一些了解：首先是卷积层，人在识别图片时不可能一下子识别整张图，一般是首先感知到图片中的一些局部特征，然后进一步得到全部信息，卷积要做的就是通过内积的数学操作计算出图像的特征图；而池化是对特征图进行降维，压缩数据和参数，方法主要有最大池化和平均池化；通常全连接层在卷积神经网络尾部，跟传统的神经网络神经元的连接方式是一样的，是经过若干卷积、池化后的输出层，将两层之间所有神经元都有权重连接。最后了解到一些卷积神经网络的典型结构。 |
雍家齐：总结 传统神经网络处理图片信息太复杂，容易导致权值无法更新，神经元不起作用了。 三层结构： 卷积层：同一层神经元共享卷积核，卷积核可以看作是特征提取器，在越靠近输入层的卷积层设定少 量的卷积核，越往后，卷积层设定的卷积核数目就越多。 池化层：通常来说，池化方法一般有一下两种： MaxPooling：取滑动窗口里最大的值 AveragePooling：取滑动窗口内所有值的平均值 Flatten层 & Fully Connected Layer：。做完Max Pooling后，我们就会把这些数据“拍平”，丢到Flatten层，然后把Flatten层的output放到full connected Layer里，采用softmax对其进行分类。 问题: 如何才能更简单地设计出合适的卷积核 |
黄润子：卷积神经网络可以应用于分类、检索、检测、人脸识别等领域。全连接网络在处理图像时存在参数过多导致过拟合的问题。池化：保留主要特征的同时减少参数和计算量，防止过拟合，提高模型泛化能力。一般处于卷积层和卷积层之间，全连接层与全连接层之间。典型的卷积神经网络由卷积层、池化层、全连接层交叉堆叠而成。卷积层的功能是对输入数据进行特征提取，其内部包含多个卷积核，组成卷积核的每个元素都对应一个权重系数和一个偏差量，类似于一个前馈神经网络的神经元。 |
孙钦印：通过本次视频学习了解卷积神经网络，所谓“卷积神经网络”，就是结合卷积公式，建立类似神经元的生物学模型，再加上一堆激活函数、损失函数来修正加工，最后再梯度求导达到帮助AI进行深度学习的目的。一个卷积神经网络主要有5层组成：数据输入层，卷积计算层，ReLU 激励层，池化层，全连接层。相较传统的神经网络而言，卷积神经网络采取“局部关联，参数共享”的解决问题的方式，引入“池化”来减少参数。 |
