前言

本章主要介绍深度学习基础
AI深度学习-卷积神经网络000

---

1.深度学习概论

深度学习是真正能学习什么样的特征是最重要的，它解决了怎么样提取特征。
特征是非常重要的，特征的数量级决定了结果。

换脸对于神经网络很简单

识别绿色圆圈属于什么类别。
它周围什么多，就属于什么。

CIFAR-10数据集

2.神经网络

1.基础原理

f(x,W),其中x是像素点

<img src="https://img-blog.csdnimg.cn/f8f92629c526460c8fc40c3f0588822e.png width=700>

W是权重，X是像素，每个像素有一个权重，因为不同像素对结果影响不一样，一个类别一类权重。

还要加上一个偏置，每个类别

下图是三个类别，四个像素点，w正值代表促进，负值代表抑制作用。
W矩阵最开始是随机值，迭代过程中不断改进这些参数，最后

2.损失函数

损失函数用来衡量当前你的权重矩阵的好坏，如果损失函数值越大，代表权重矩阵不好，越小，代表好。
图片下面的数字是得分。
Sj-Sy=其它类别减去正确类别，+1 代表加了一个偏置，正确类别至少比错误类别高1以上，才是没有损失的。
损失函数为0的时候，代表没有损失。

权重参数会不会产生过拟合。

3.SoftMax

把得分转换成一个概率值，把所有值都压缩到0-1

如何理解这个公式？

为什么要使用log，数字越接近1，损失越小，其余越来越大

4.前向传播

回归任务（预测一个得分，计算损失）

多次变换，增加了多层，每一层关注不同的点

5.反向传播

加入，结果变小，改那个之最好？

w让损失函数变换最快。
求偏导数，发现z的变换能让整个函数变换最大

实际神经网络中，从后往前传播

逐层，从后往前传播

下图中x就是我们的像素点，绿色的是我们的输入值，红色的是梯度值

门单元介绍

训练的过程就是求权重

解决过拟合是随机的杀死一些神经元

深度学习-偏导数复习

1.反向传播介绍

下面是激活函数

继续求输出层

继续求输出层

反向求导

求导后结果

换算后

最后求出新的权重，下面参数是学习率也就是步长

我们通过一个线性

6 卷积神经网络应用

Y轴是错误率

1.检测任务

分类与检索，淘宝图片同类查找

2.超分辨率重构

3.医学检测

4.无人驾驶

5. 人脸识别

6.卷积网络和传统区别

左边传统网络，右边卷积网络

7.卷积神经网络

下面注意全连接层，全连接就是全部链接的层

1.卷积做了什么？

卷积做特征提取

不要忘了偏置项1

需要做多次卷积

堆叠的卷积

常规卷积网络

卷积计算结果

计算案例

卷积参数共享

池化层，下采样

最大池化

有多少层，7层。
想要得到结果，还是要全连接层，
需要把323210拉成一维向量，110240，拉长操作其实还是卷积，比如323210拉长，那么就需要32321010240个权重

特征图变换

2.节点网络

1.Alexnet

2.Vgg

2.卷积网络反向传播详细介绍

相比传统神经网络，卷积神经网络，特征图就是卷积核了