深度学习第四课程笔记-第一周卷积神经网络

第三周参数调试

边缘检测

      我们看下下面的图
      这个图反应了卷积神经网络的第一步，边缘检测，可以先检测横或者竖的线。

      左侧部分为一个图片的灰度图（没有其他色RGB），中间是我们的3*3滤波器,*号是卷积的标志，右侧也可以看成一个灰度图。注意这里不是矩阵的相乘，在python中使用conv_forward, 在tensorflow里使用tf.nn.conv2d,在keras中使用Conv2D实现

• 来看一个更简单的是如何实现找到垂直边界
  
        这里，左侧灰度图，数字大小代表亮度，卷积过后，在右侧可以看到中间亮，这个亮的区域就把垂直线找了出来，当然这里数据比较小只是6*6，右侧不太能看出来，当数据巨大时候，便很清楚显示了。
  更多的边缘检测
  
• 对于右上，表示上下水平边缘，下图还有不同的滤波器数值，给予不同部位权重，改善鲁棒性，比如Sobel filter ， Scharr filter ， 甚至在我们图片数量数据巨大时候，我们滤波器的参数也不需要我们自己设定，使用反向传播，交给计算机找到合适的数值，计算机可以帮我们找到垂直，水平，甚至各个角度（45，30，7等等 ）的数值。

Padding(填充)

      当我们每进行一次卷积后，图片的维数就会变小（n-f+1，n为原图片维数，f为滤波器维数），原因是在图片边缘的信息利用率小，会损失图片的许多信息。

• 也就是说目前存在，图片卷积后变小以及图像信息缺失的问题。为了解决这个问题，我们可以在图像卷积之前，填充图片边缘的信息。以上为例（n:6*6,得到图片4*4），我们在6*6的图片填充一圈（P=1）变成8*8，再次卷积后（n-f+1）变成（6*6）和原来大小一样。当然如果觉得不够也可以填两圈（P=2）
• 一般来说，填充多少，我们一般分为两种情况Valid convolutions (不填充，n-f+1)和 Same convolutions(n+2P-f+1=n,得到p=(f-1)/2) )一般来说，计算机视觉里面，f为奇数。

Strided convolution （卷积步长）

      我们在上图，每次卷积一次后，向后移动一格（Strided=1），我们看下图

• 这里选取了步长为2（Strided =2 ） 那么我们得到的维数就变成了((n+2p-f)/s +1 ,(n+2p-f)/s +1 )，其中若(n+2p-f)/s 整出不是整数，按照惯例我们对其向下取整。

标签：滤波器,填充,第一周,卷积,维数,神经网络,我们,图片
来源： https://blog.csdn.net/Da_haihuang/article/details/110002067