Lecture 5 CNN
课堂笔记参见：https://zhuanlan.zhihu.com/p/22038289?refer=intelligentunit
不错的总结笔记：https://blog.csdn.net/sugar_girl/article/details/79108709
1.卷积核步长公式：（N-F+2*padding）/stride+1=new_N
N：原图形宽，F：filter宽，padding：填充宽度
2.卷积核参数公式：5*5*3的10个filter：5*5*3+1（权重加上偏置，一个卷积核对应一个偏置，相当于一次wx+b运算），然后76*10
3.有时候我们会使用1*1卷积核，这样做就是在深度上进行点积。
4.步长跟图像的分辨率有关，当我们使用较大的步长，得到的图片就是一个下采样的结果，可以说等同于一种池化处理，但有时候比池化的效果更好。
5.步长跟图像的分辨率有关，当我们使用较大的步长，得到的图片就是一个下采样的结果，可以说等同于一种池化处理，但有时候比池化的效果更好。
6.选用最大池化的原因：卷积结果的每一个值都表示该卷积区域对应神经元的激活程度，或者该位置经卷积核处理后的激活程度。那么最大池化就表示，这组卷积核在图像任意区域的激活程度（能达到的最大值）。在目标检测任务中，最大池化是最直观的，它能将图像最显著的特征凸显出来。
7.全连接层的作用可以理解为回到了之前的朴素神经网络进行分类，我们不再需要空间结构，将卷积得到的结果一维展开然后进行评分和分类。
8.训练CNN的demo网页:
同样很好用，优点是将各层output以及filter可视化了，整个界面很友好。
https://cs.stanford.edu/people/karpathy/convnetjs/demo/cifar10.html