文章目录
- 概述
- CNN的发展历史
- 神经网络发展简史
- CNN发展简史
- 视觉之外的CNN（CNN Without the the brain stuff）
- （重点）卷积和池化
- 计算实例
概述
在线Latex公式 本节包含三块内容：
1、CNN的发展历史
2、视觉之外的卷积神经网络
3、卷积和池化（重点）
虽然学习了李宏毅的CNN，明白了CNN的构架以及CNN比DNN好在什么地方，但是这里讲的有些内容李的课里面貌似没有讲。所以就捡没有讲过的内容重点记录。
CNN的发展历史
神经网络发展简史
1957，第一代感知机perceptron诞生；
1960，多个感知机进行叠加
1986，提出了BP算法
2006，Hinton弄出了深度学习的模型，使得大量参数训练高效进行，但是那个时候的深度神经网络模型限制比较多，例如：需要特定的初始化操作（pre-training，使用受限玻尔兹曼机对每个隐藏层进行建模）才能进行BP操作。
2012，第一个重要成果，语音识别和ImageNet图像识别。
CNN发展简史
1960左右，虐猫，发现一些生物特性
1980早起，日本佬实现虐猫发现的生物特性
1998杨立坤弄出了正儿八经的CNN，并将BP算法用于梯度下降训练CNN的参数，应用在邮编（数字）识别，但是数字毕竟是有限分类
2012AlexNet在ImageNet击败人类
现如今：ConvNets are everywhere！
视觉之外的CNN（CNN Without the the brain stuff）
这节写简单点，几个要点，李宏毅的课程基本cover过，这里经过convolution操作得到的称为activation map，李的课里面叫feature map
1、卷积核只覆盖图片的某个区域，全连接NN的隐藏层是和所有的输入发生关系
2、通过卷积核后输入层的volume会增加
3、CNN与Fully-connected NN的比较
4、所有的输入与卷积核发生关系使用的参数都是共享（一样）的
5、和李讲的构架有细微的不一样，convolution+Max Pooling中间还有ReLU非线性单元，不过这个不太影响CNN的定义，李说过具体构架要和应用相结合。
6、池化层中减少的维度与平面有关，与深度（volume）无关：
李的课件里面用的是subsampling，意思应该一样：降采样。
7、池化方法有多种，常用的是Max Pooling。为什么是最大不是求平均？
要想办法使得神经元被最大化的激活，Max操作可以让这个激活程度最大。
8、设置stride可以达到降采样的效果，可以尝试。
9、关于几个超参数的设置和计算讲得比李具体：
池化的常用的值为：
F = 2, S = 2
F = 3, S = 2
10、池化层不做补零操作（padding）
（重点）卷积和池化
这节内容和上节差不多，但是多了很多细节内容，还给出了卷积神经网络中为什么叫卷积的由来：
We call the layer convolutional because it is related to convolution of two signals:
经过convolution后的尺寸计算：
N为输入图片维度，F是卷积核维度，可以看到当stride为3的时候是不能进行卷积操作的，这个时候就要进行padding操作。
这里是用0进行padding的例子，老师说还可以有别的方法，例如复制等。
这里的提问有点意思：如果图像非方形的咋整？会不会采用不同的stride进行处理？
答：不会。
计算实例
这里注意padding加上的时候是2*2.
+1这里是bias项。
参数个数计算公式：（filter尺寸 × fiter尺寸×输入dimension+1）*filter个数
最后又学生问到stride的步长如何选择，老师解释了一下，步长实际和convolution中的downsampling有关系，这里步长越大，则图像变得越小，那么最后链接到FC NN的时候参数也会比较少。
