一、學習心得及問題
心得
趙亮:對於卷積神經網絡的定義有了初步的理解，卷積神經網絡在圖片分類、檢索、分割、檢測，人臉識別等領域有廣泛的應用。使用局部關聯、參數共享的方式解決了全連接網絡過擬合的缺點。同時也了解了卷積的具體含義，對AlexNet、ZFNet、VGG等典型的神經網絡結構有了初步的概念。
何靜：卷積神經網絡(CNN) 屬於人工神經網絡的一種，它的權重共享的網絡結構顯著降低了模型的復雜度，減少了權值的數量。卷積神經網絡可以直接將圖片作為網絡的輸入，自動提取特征，並且對圖片的變形（如平移、比例縮放、傾斜）等具有高度不變形。
何芝霞：積神經網絡是由卷積、池化、全連接組成，卷積神經網絡可以應用在檢測、分割、人臉識別方面，並且人臉識別可以達到一定的精確度。卷積是對兩個實變函數的一種數學操作，池化一般處於卷積層與卷積層之間，全連接層與全連接層之間，通常全連接層在卷積神經網絡尾部，此外我又了解了殘差學習網絡，見到了卷積神經網絡的實操。
黃登偉：卷積神經網絡的基本應用有圖片分類、檢索、檢測、分割、人臉識別、人臉表情識別、圖像生成、自動駕駛。
深度學習三個步驟：首先是搭建神經網絡結構，然后找到一個合適的損失函數，比如交叉熵損失和均方誤差等，最后是找到一個合適的優化函數，更新參數，比如反向傳播（BP）和隨機梯度下降（SGD）等。
傳統神經網絡和卷積神經網絡區別：傳統神經網絡采用全連接網絡處理圖像，參數太多，導致過擬合問題；卷積神經網絡是局部關聯，參數共享。
卷積：卷積是對兩個實變函數的一種數學操作，對於圖像一般是二維卷積。卷積涉及的基本概念有input，filter，weights，感受野，特征圖，padding，channel（深度），輸出。
池化：（pooling）保留了主要特征的同時減少參數和計算量，防止過擬合，提高模型泛化能力，一般處於卷積層之間。常用是最大值池化。
典型結構——AlexNet。使用了relu函數，解決了梯度消失問題，計算速度提高，收斂速度更快；dropout（隨機失活）隨機關閉部分神經元，測試時整合所有神經元，解決了過擬合問題，減少了參數量；數據增強。參數量在全連接層增加。
典型結構——ZFNet。網絡結構同AlexNet，只是改變了感受野大小、步長和濾波器個數。
典型結構——VGG。參數更多，層數更多。
典型結構——GoogleNet。網絡包含22個帶參數的層，參數是AlexNet的1/12，沒有FC層。降低參數量，增加了非線性激活函數。多個inception結構堆疊。沒有額外的全連接層。輔助分類器解決了由於模型深度過深導致的梯度消失的問題。
典型結構——ResNet（殘差學習網絡）。深度有152層。去掉相同的主體部分，從而突出微小的變化。實現為:f(x)+x。
路芸蔓：全連接網絡在處理圖像時存在參數過多導致過擬合的問題，卷積網絡局部關聯，參數共享，具有更高的准確性。卷積網絡的基本應用有：分類；檢索；人臉識別；圖像生成；圖像風格轉化；自動駕駛。深度學習三部曲：搭建神經網絡結構；找到一個合適的損失函數；找到一個合適的優化函數，更新參數。池化是保留主要特征的同時減少參數和計算量，防止過擬合，提高模型泛化能力。
肖大智：
問題：
趙亮：對於典型結構之間的關系和區別還沒有掌握的很清晰
何靜：1. Padding和全連接的作用是什么呀？（看網課聽的迷迷糊糊的）2. 為什么AlexNet沒有VGG應用廣泛呢？
何芝霞：1.池化怎樣提高模型的泛化能力，同時又是怎樣防止過擬合 2.殘差神經網絡和卷積神經網絡的聯系
黃登偉：卷積的參數量怎么算？
路芸蔓：
肖大智：
二、代碼練習
趙亮：https://www.cnblogs.com/OucStars/p/15418175.html
何靜：https://blog.csdn.net/m0_52632116/article/details/120758957?spm=1001.2014.3001.5501
何芝霞：https://www.cnblogs.com/www-hezhixia-com/
黃登偉：https://www.cnblogs.com/haohaoxuexiyibeizi/p/15399733.html
路芸蔓：https://www.cnblogs.com/www-hezhixia-com/articles/15416859.html
肖大智：