卷积神经网络学习笔记
分类
卷积层+激活层+池化层的组合多次出现 提取特征值
多个全连接 或 特殊的CNN结构 作为输出层 作分类器、检测器、分割器
计算机视觉主要任务左图展示了四种主要的计算机视觉任务（由粗粒度到精细粒度）
1、图像分类（what）为图像赋予一个或多个语义标签
2、目标检测（what & where ）找到图像中物体的类别及所在位置
3、图像语义分割（what & where ）找到图像中物体的类别并精确勾勒出其所在位置
4、图像实例分割（what & where ）多个同类物体存在时，将它们一一区分出来
数据集
1.fifar数据集
http://www.cs.toronto.edu/~kriz/cifar.html
60000张32*32 的RGB图像
10个互斥的类别，每类6000张图片
训练：50000张，5个训练批，每批10000张每类图像随机抽取，张数不平均ü测试：
10000张，单独构成一批，每类1000张
2.ImageNet数据集
http://image-net.org
训练集：1,281,167张图片+标签
验证集：50,000张图片+标签
测试集：100,000张图片1000个类别，每个类别1000多张图像
经典CNN结构探索
AlexNet
VGG
GoogLeNet/Inception
ResNet
VGG

牛津大学视觉几何计算组

深度增加& 小卷积核->对网络最后的分类识别效果有很大作用
小卷积核：3*3：表示上下、左右、中心这些概念的最小卷积核尺寸
深度：AlexNet 8 层àVGG最深19层