李宏毅机器学习 CNN+莫凡Python CNN笔记

本文主要是介绍李宏毅机器学习 CNN+莫凡Python CNN笔记，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

下学期要学CV了又要换电脑干脆把笔记记在这上面以后也好找

李宏毅机器学习笔记

https://www.youtube.com/watch?v=FrKWiRv254g&list=PLJV_el3uVTsPy9oCRY30oBPNLCo89yu49&index=19（李宏毅）为什么要使用CNN而不是全连接神经网络

如果要使用全连接神经网络，那么每一层的参数就过于多了，如果需要处理高清或者超清图片，这个计算量就真的很大了所以我们需要一种更好的网络结构来帮助我们进行训练。而CNN做的事就是把一些我们知道的不必要的参数给过滤，这样计算量就会大幅度下降了。

可以拿掉多余参数的原因：

1.每个neuron只用观察一张图片的某一个区域即可，不需要观察整张图就能判断出他需要的特征是否存在。比如一只鸟的照片，只需要观察某一指定位置，就能知道鸟嘴是否存在

2.同样的pattern可能会出现在图片的不同部分鸟嘴可能出现在左上部分也有可能出现在中间的地方我们不需要两个neuron来做一样的事只是为了侦测仅仅一个pattern

3. 我们可以对图片做subsampling，一个图片能拿掉一些像素，去掉这些像素后仍然可以让我们看出这是一个鸟而不会变成其他什么乱七八糟的东西所以我们可以用这个概念把我们需要处理的数据变小

CNN结构

图片---->卷积层--->池化层--->卷积层---->池化层.....--->Flatten--->全连接神经网络----->结果

中间有几层卷积和几层池化由开发者自己决定，对于CNN前面的两个特征是由卷积层来做的 subsampling 是由池化层来进行处理

每个层的功能:

卷积层：这有一个6*6的图片，其中1代表他是有东西在图片上的 0代表没有，然后在卷积层里有很多不一样的过滤器（Filter），如下图所示，每个Filter里面的值就跟全连接网络的W和b是一样的，是需要去训练出来的，对于图中这个例子，Filter的大小是3*3，意味着他只用判断一个3*3的范围里是否出现了他想要的pattern。