听了三天讲座后，对于基础理论课反而有点不适应，会多想几个为什么，真的吗。知名课最好还是看最新的，与时俱进。

【01】为什么是CNN？

这个问题，现在有transformer和mlp的工作，还真不好回答

上图展现了图像分类中特征的从低层到高层表示。

课程里给出了三个基于观察的解释，很重要，后面也会用到。

01 只要部分信息就能给出答案

这是分类吧，检测和分割得看全局啊

这张图里，只需要看到鸟喙就能确定有个鸟，不需要看见全局的图像。
容易被攻击？不过可以做真实图像鉴别的工作

02 相同模式会出现在不同区域

检测鸟喙的部分应当是同一个检测器，而不是不同的位置采取不同的检测器。

03 对图像下采样后不影响识别

这说明可以使用更少的参数来处理图像。
后续明天再说。

三个理由完全没懂

这个架构不一定了

讲卷积的基础概念啊，可以快点

妙，这里讲出来了，filter可以检测出特征来，而且一个filter胜任多个同种特征

filter size，image size，padding，stride

特征图。feature map。

能用hsv去搞吗？

filter的值就是权重

部分连接，共用同样的weight

没看明白哪里共享了

哦哦，明白了，3和1不是权重！是神经元，隐藏层的，他们和前面的连接是共享的，这张图里都是9根线。

这个怎么train，有现成的框架，如果要自己写的话，就和普通的一样？（想起杰哥，自己手写，强啊）

不能微分了？？？

pixel

25*25个filter？？？

会考虑深度，每一个filter都会对前面的所有层内积求和？这一层的filter深度和前一层feature map深度一样的

固定一些前面提取边缘的层？这部分不动？

CNN in Keras

2333，大人，时代变了！现在是Pytorch的天下啦

动手搭建卷积神经网络？

CNN学到了什么

什么能让网络响应最大，固定参数，找x，去让输出最大

这不是深度学习可视化那篇论文吗

这几个filter学到的是纹路

！！可以拿来做文章里面的可解释性解释！！！还可以用来debug！

要用gradient ascent吗？？？

固定参数，寻找使filter输出最大的输入，把它显示出来，当成filter学到的东西

每部分的filter检测方法不一样？

和想象的直接0 1 2不一样啊，人看不出来，为什么？虚假的相关性2，学到了人不能感知的信息模式？怎么解决？很容易受攻击吧

如果我把4的图像弄到一张正常的0或1，他是不是会输出4？可以通过这样的方法来获取攻击图像吗？

两种攻击方式，噪声的区别

+改成-，因为是max

使图像大部分是空白没有内容的（像素0）

绝对值怎么微分

受益匪浅啊！可解释性的问题！基础课有必要大家的都听一下吗？

Deep Dream？

夸大自己看到的东西？

有点意思，怎么做到的？

DeepStyle，风格迁移？

weight = style

https://zhuanlan.zhihu.com/p/136804220

有点掉san啊说实话

CNN用来下围棋？

除了supervised的部分，其实还有reinforcement的部分

这种方式感觉只考虑了当前的局势？

Alpha Go

什么时候用CNN呢？有图像任务的那种特性

模式比图像小，不同的区域可能有同样意义的模式

围棋不行吧？subsampling。一直很困惑2333

paper，读一读？没有仔细描述过CNN架构2333

zero padding

没有用max pooling

妙哇！

语音处理

横轴时间，纵轴频率，这样就可以应用CNN了？人能看出来？？？我天！

speech2text

不是时间方向移动？

因为CNN后面会接LSTM之类的，比CNN的时间序列建模能力要好

但是频率方向上的，有用？

怎么说呢，大有感触啊！那个根据任务需求来设计的tip！

词向量，词向量矩阵，矩阵！这个filter怎么移动？要用maxpoolling吗？

词向量的维度是相互独立的，每个维的意义隐式但

确实存在，所以维度上移动没有意义？

非常棒啊！！！

李宏毅深度学习|Datawhale-7月 Task06 卷积神经网络相关推荐

深度学习多变量时间序列预测：卷积神经网络（CNN）算法构建时间序列多变量模型预测交通流量+代码实战
深度学习多变量时间序列预测:卷积神经网络(CNN)算法构建时间序列多变量模型预测交通流量+代码实战卷积神经网络,听起来像是计算机科学.生物学和数学的诡异组合,但它们已经成为计算机视觉领域中最具影响力 ...
【深度学习】基于Pytorch的卷积神经网络概念解析和API妙用(一)
[深度学习]基于Pytorch的卷积神经网络API妙用(一) 文章目录 1 不变性 2 卷积的数学分析 3 通道 4 互相关运算 5 图像中目标的边缘检测 6 基于Pytorch的卷积核 7 特征映射 ...
【深度学习】基于Pytorch的卷积神经网络概念解析和API妙用(二)
[深度学习]基于Pytorch的卷积神经网络API妙用(二) 文章目录1 Padding和Stride 2 多输入多输出Channel 3 1*1 Conv(笔者在看教程时,理解为降维和升维) 4 池 ...
深度学习笔记（26）卷积神经网络
深度学习笔记(26) 卷积神经网络 1. CONV 2. POOL 3. Layer 4. FC 5. 卷积的优势 1. CONV 假设,有一张大小为32×32×3的输入图片,这是一张RGB模式的图片 ...
花书+吴恩达深度学习（十四）卷积神经网络 CNN 之经典案例（LetNet-5, AlexNet, VGG-16, ResNet, Inception Network）
目录 0. 前言 1. LeNet-5 2. AlexNet 3. VGG-16 4. ResNet 残差网络 5. Inception Network 如果这篇文章对你有一点小小的帮助,请给个关注, ...
花书+吴恩达深度学习（十二）卷积神经网络 CNN 之全连接层
目录 0. 前言 1. 全连接层(fully connected layer) 如果这篇文章对你有一点小小的帮助,请给个关注,点个赞喔~我会非常开心的~ 花书+吴恩达深度学习(十)卷积神经网络 CNN ...
【深度学习】5：CNN卷积神经网络原理
前言:先坦白的说,深度神经网络的学习在一开始对我造成的困扰还是很大的,我也是通过不断地看相关的视频资料.文献讲解尝试去理解记忆.毕竟这些内容大多都是不可查的,我们看到的都只是输入输出的东西,里面的内部 ...
基于深度学习的图像分类：使用卷积神经网络实现猫狗分类器
摘要: 深度学习在计算机视觉领域中具有广泛的应用.本文将介绍如何使用卷积神经网络(CNN)实现一个猫狗分类器.我们将使用Python和TensorFlow框架搭建一个简单的卷积神经网络模型,并利用猫狗 ...
深度学习笔记其六：现代卷积神经网络和PYTORCH
深度学习笔记其六:现代卷积神经网络和PYTORCH 1. 深度卷积神经网络(AlexNet) 1.1 学习表征 1.1 缺少的成分:数据 1.2 缺少的成分:硬件 1.2 AlexNet 1.2.1 ...

李宏毅深度学习|Datawhale-7月 Task06 卷积神经网络

【01】为什么是CNN？

01 只要部分信息就能给出答案

02 相同模式会出现在不同区域

03 对图像下采样后不影响识别

李宏毅深度学习|Datawhale-7月 Task06 卷积神经网络相关推荐

最新文章

热门文章