卷积滤波器 吴恩达《卷积神经网络》课程笔记（1）(5)

CNN有三种类型的layer：

Convolution层（CONV）

Pooling层（POOL）

Fully connected层（FC）

CONV最为常见也最重要，关于POOL和FC我们之后再介绍。

9. Pooling Layers池化层

Pooling layers是CNN中用来减小尺寸，提高运算速度的，同样能减小noise影响，让各特征更具有健壮性。

在单机版《怪物猎人》中就出现过玩家乘坐特殊的载具击龙船和怪物战斗的任务，不过《怪物猎人ol》中的载具可不仅仅是一个固定的区域那么简单。4.1.4 快速卷积型结构的fir滤波器。在世界各地有产猪的地方就有培根,只是做法上的不同,义大利培根比较类似中西欧国家（盎格鲁撒克逊区）的培根,或者近似西班牙的腌肠tocino,没有什麼固定的做法,依区域不同,有烟熏的、以香料腌渍的或是经过陈年熟成的.。

Max pooling的好处是只保留区域内的最大值（特征），忽略其它值，降低noise影响，提高模型健壮性。而且，max pooling需要的超参数仅为滤波器尺寸f和滤波器步进长度s，没有其他参数需要模型训练得到，计算量很小。卷积滤波器

如果是多个通道，那么就每个通道单独进行max pooling操作。

除了max pooling之外，还有一种做法：average pooling。顾名思义，average pooling就是在滤波器算子滑动区域计算平均值。

实际应用中，max pooling比average pooling更为常用。

10. CNN Example卷积神经网络示例

下面介绍一个简单的数字识别的CNN例子：

图中，CON层后面紧接一个POOL层，CONV1和POOL1构成第一层，CONV2和POOL2构成第二层。特别注意的是FC3和FC4为全连接层FC，它跟标准的神经网络结构一致。最后的输出层（softmax）由10个神经元构成。

11. Why Convolutions为什么要使用卷积

相比标准神经网络，CNN的优势之一就是参数数目要少得多。参数数目少的原因有两个：

在教学指导中，明确信息技术应用的优越作用.各学科培训内容中涉及到图表图片或是视频处理的问题,教师应以制作简便有效出发,积极应用信息技术手段, 同时将制作理念为学员共享.指导中学生物学科中概念图绘制，可以采用思维导图方式，步步紧扣，层次分明。通常，此概念在计算由多个分力同时作用的力时很有用（例如向前推进的火箭可能会受到侧风的影响）。3.飘动过程可分解为垂直（上、下）和水平（左、右）方向，同一时间内会同时向垂直和水平两个方向同时移动，可能的情况会有上左、上右、下左、下右。参数检测模块主要通过相参积累，模平方最大值求取等一系列运算完成距离、速度、角度等参数的检测，同时，根据参数决定雷达的工作状态及完成恒虚警处理。

连接的稀疏性：因为滤波器算子尺寸限制，每一层的每个输出只与输入部分区域内有关。

gabor 滤波器提取纹理特征主要包括两个过程:设计滤波器(例如函数、数目、方向和间隔)。① 电容式接近开关理论上可以检测出任何物体，但当检测过高介电常数的物体时，检测距离要明显减小，这时即使增加灵敏度也起不到效果。