WEBVTT

00:00.270 --> 00:02.970
大家好, 欢迎回到深度学习课程｡ 

00:02.970 --> 00:05.960
所以我们在这节课学到了很多东西｡ 

00:05.970 --> 00:08.400
让我们总结一下我们讨论的内容｡ 

00:08.400 --> 00:09.840
好了, 我们开始吧｡ 

00:09.840 --> 00:18.900
我们从一个输入图像开始, 对该图像应用多个不同的特征检测器（也称为过滤器）来创建这些特征图｡

00:18.900 --> 00:21.330
这就构成了我们的卷积层｡ 

00:21.330 --> 00:28.380
然后, 在卷积层的顶部, 我们应用蓝色或校正线性单元,

00:28.380 --> 00:31.770
以消除图像中的任何线性或增加非线性｡

00:31.770 --> 00:36.900
然后, 我们将一个池化层应用到卷积层｡ 

00:36.900 --> 00:45.810
因此, 我们从每一个单一的特征地图创建了一个池化的特征地图, 基本上, 池化层有很多优势｡

00:45.810 --> 00:54.630
池化层的主要目的是确保我们的图像中具有空间不变量｡ 

00:54.630 --> 01:02.850
因此, 基本上, 如果某个东西倾斜或扭曲, 或者与理想情况略有不同, 那么我们仍然可以选择该功能｡

01:02.850 --> 01:11.280
另外, 池化显著地减少了我们图像的大小, 并且池化还有助于避免我们的数据或我们的模型对数据的任何形式的过度拟合,

01:11.280 --> 01:18.210
因为它只是简单地去除了大量的数据｡

01:18.210 --> 01:22.920
但与此同时, 池化保留了我们所追求的主要功能｡ 

01:22.920 --> 01:26.580
只是因为它的结构和我们使用的池是最大池｡ 

01:26.670 --> 01:38.070
然后, 我们把所有汇集的图像展平成一个长向量或所有这些值的列, 我们把它输入到一个人工神经网络｡

01:38.070 --> 01:40.050
这就是第三步变平｡ 

01:40.050 --> 01:47.520
第四步是全连接的人工神经网络, 所有这些特征都通过网络进行处理｡

01:47.520 --> 01:55.980
最后一层, 最后一个全连通层, 它对我们要找的类进行投票.

01:55.980 --> 02:05.010
然后, 所有这些都是通过前向传播和反向传播过程以及大量的迭代和时期来训练的｡

02:05.010 --> 02:09.480
最后, 我们有了一个定义明确的神经网络｡ 

02:09.480 --> 02:21.720
而另一个重要的事情是不仅在人工神经网络部分训练权值, 而且在相同的梯度下降过程中训练和调整特征检测器｡

02:21.720 --> 02:23.850
这样我们就能绘制出最好的特征地图｡ 

02:23.850 --> 02:31.470
最后得到一个完全训练好的卷积神经网络, 该网络能够对图像进行识别和分类｡

02:31.470 --> 02:32.310
好了, 我们走吧｡ 

02:32.310 --> 02:35.370
这就是卷积神经网络的工作原理｡ 

02:35.460 --> 02:42.120
现在你应该完全适应这个概念, 并准备进行实际应用｡ 

02:42.120 --> 02:50.700
如果你想做一些额外的阅读, 然后有一个伟大的博客由Aditya Deshpande从2016年.

02:51.330 --> 02:53.190
你可以在底部看到链接｡ 

02:53.190 --> 02:55.890
所以这个博客被称为九篇深度学习论文｡ 

02:55.890 --> 02:59.100
你需要知道如何理解CNN的第三部分｡ 

02:59.100 --> 03:04.800
这个博客实际上给了你一个简短的概述, 九个不同的场景,

03:04.800 --> 03:10.530
由像Yann LeCun和其他人创造的, 你可以继续深入研究｡

03:10.530 --> 03:18.420
所以会有很多新的东西, 对你来说将是全新的, 你将不得不让你的头周围｡

03:18.420 --> 03:22.440
但只要记住这个博客或这九篇论文｡ 

03:22.440 --> 03:27.240
即使你现在还没有准备好去读它们,

03:27.240 --> 03:33.210
也许在实践教程之后, 也许在你做了一些深度学习领域的额外培训之后,

03:33.210 --> 03:43.140
慢慢地, 你可以参考这些作品, 理想的情况是, 我认为你会通过研究其他人的神经网络以及他们如何构建卷积网来获得很多价值｡

03:43.140 --> 03:48.210
这将帮助你理解什么是最佳实践, 以及为什么人们以某种方式做某些事情｡

03:48.210 --> 03:57.810
这将有助于你构建神经网络, 因为中的神经网络和卷积神经网络也不例外｡

03:57.810 --> 04:01.560
它们就像一个架构挑战｡ 

04:01.560 --> 04:07.650
你必须想出一个想法, 然后构建它, 然后调整它, 调整它,

04:07.650 --> 04:11.340
以获得最好的设计和最好的可能和最佳的性能｡

04:11.520 --> 04:12.420
好了, 我们走吧｡ 

04:12.420 --> 04:13.320
这就是我们今天的节目｡ 

04:13.320 --> 04:17.580
我希望你喜欢今天的教程和这整个部分, 我期待着看到你下一次｡ 

04:17.580 --> 04:19.530
在此之前, 请尽情享受深度学习｡