之前的章节，我们利用一个仅包含一层隐藏层的简单神经网络就在MNIST识别问题上获得了98%左右的准确率。我们于是本能会想到用更多的隐藏层，构建更复杂的神经网络将会为我们带来更好的结果。 就如同在进行图像模式识别的时候 ，第一层的神经层可以学到边缘特征 ，第二层的可以学到更复杂的图形特征 ...

4.1卷积神经网络 觉得有用的话,欢迎一起讨论相互学习~ 吴恩达老师课程原地址 1.6多通道卷积 原理 对于一个多通道的卷积操作，可以将卷积核设置为一个立方体，则其从左上角开始向右移动然后向下移动，这里设置Padding模式为VALID，步长为1. 注意 ...

1.卷积操作实质： 输入图像（input volume），在深度方向上由很多slice组成，对于其中一个slice，可以对应很多神经元，神经元的weight表现为卷积核的形式，即一个方形的滤波器（filter）（如3X3），这些神经元各自分别对应图像中的某一个局部区域（local ...

image 表示。 4.7深度卷积神经网络在学什么What are deep ConvNets ...

残差神经网络（ResNet） 为什么神经网络的层数越来越深 由图可知随着神经网络层数的增加，神经网络的训练误差和测试误差相较于较低层数的神经网络都要更高。但是这个与越深的网络，训练误差和测试误差都要更小这个第一感觉相违背。 在相同的迭代次数下，更深的神经网络的误差更容易趋向于平稳 ...

4.1卷积神经网络 觉得有用的话,欢迎一起讨论相互学习~ 吴恩达老师课程原地址 1.4Padding 一张\(6*6\)大小的图片，使用\(3*3\)的卷积核设定步长为1，经过卷积操作后得到一个\(4*4\)的图像。 特征图大小公式 设定原始图像大小 ...

4.4特殊应用:人脸识别和神经网络风格转换 觉得有用的话,欢迎一起讨论相互学习~ 吴恩达老师课程原地址 4.11一维和三维卷积 二维和一维卷积 对于2D卷积来说，假设原始图像为\(14*14*3\)的三通道图像，使用32个\(5*5*3\)的卷积核(其中3表示通道 ...

4.2深度卷积网络 觉得有用的话,欢迎一起讨论相互学习~ 吴恩达老师课程原地址 2.9迁移学习 迁移学习的基础知识已经介绍过，本篇博文将介绍提高的部分。 提高迁移学习的速度 可以将迁移学习模型冻结的部分看做为一个函数，因为每次都要使用这个冻结模型的输出值来训练 ...