深度卷积网路基本原理2
机器学习流程
深度学习
1.并不是进行特征抽取，而是让模型进行抽取，得到反馈更新，end to end的算法
2.都要考虑，你添加的结构能否是一个从一端到另一端优化的过程，而不是多次优化的过程（end to end的模型）
3.将高维数据逐步进行处理降低为低维特征。
1.深度学习定义
深度学习的一个重要思想即“端到端”的学习方式
一.卷积神经网络基础概念
人工神经网络模型主要考虑网络连接的拓扑结构、神经元的特征、
学习规则等。（模拟了人）
上图为单一神经元
考虑：输入的是一个一维向量，神经网络只接受一维向量，我们需要进行一个处理进行变成可接受的权重
1.堆叠
对不同的神经网络进行堆叠
2.神经网络的问题
上述图需要44个模型进行训练，存在这些问题：
1.参数量容易过拟合
2.计算量特别大
3.不是一个凸函数的线性模型，可能有小坑，存在局部最优而非全局最优
3.改善问题
二.卷积神经网络
卷积神经网络框架如下图所示，它是一个多层的神经网络。
卷积神经网络中的每一个特征提取卷积层都紧跟着一个用来求局部平均与
二次提取的子采样或池化层pooling
1.卷积
2.过程
将卷积核与我们对应的过程进行相乘相加
image输入的图像，通过卷积核得到的是output/ convolved feature
3.真实卷积
4.运算公式
5.池化层
最大池化，最小池化，平均池化
6.反向传播算法
7.示意图
9.实例
1.边缘多加一层0
（1）有利于对边缘信息进行收集
（2）尺寸：我们希望特征图与原图保持一个维度，增加0可以让特征图大小一致
总结
重视于四个方面：
数据的组织
模型的构建
训练模型
评估模型