Simple Convolutional Network Example

在上一节课中, 你看到了一层神经网络的的构造 ConvNet中的一个卷积层 现在我们来研究一个深度卷积神经网络的实例。 这将会让你再次熟悉一些我们在 上一节课中靠近结尾的部分引入的一些概念和符号。 0:19 假设我们有一张图像 并且你想做图像分类，或图像识别 输入为一个图像, x , 然后判断这是不是一只猫，0或1 所以这是一个分类问题。 让我们构建一个可用于此任务的ConvNet范例。 为举例起见,我将使用一个相当小的图像。 假设这个图像是 39 x 39 x 3。 这个假设只是为了使得有些计算更加简单 因此，第0层中的nH（高度）和nW（宽度）都 因此，第0层中的nH和nW都为39 然后通道数为3 假设第一层使用一组3乘3过滤器 来检测特征,所以，f=3，或写成f1=3, 因为我们使用的是一个3x3的过程 假设我们使用为1的步长（stride） 不使用填充（padding） 使用相同的卷积,假设你有10过滤器

那神经网络下一层的激活数 将会是37 x 37 x 10 这里10因为你使用了10个过滤器。 37来自以下公式 n + 2p - f除以 s，再 + 1 对吧，那你有 39 + 0 - 3 除以 1，在 + 1，得到37 所以这就是为什么输出是 37 x 37 , 这是一个有效的卷积 并且这就是输出的大小 因此,用我们的符号，你有nh[1]=nw[1]=37 以及nc[1]=10 nc[1]同时也等于第一层的过滤器的数量 因此,这就是第一层的激活的维度。 2:43 假设你现在有另一个卷积层 而且假设这次你使用 5 x 5 个过滤器 所以,用我们的符号表示， 下一个层神经网络的 f[2] = 5, 假设这次使用2作为步长 没有填充（padding） 和20个过滤器 3:09 那这次的输出的纬度将会是 17 x 17 x 20 请注意,因为你现在使用的步长为2 维度收缩得更快 37 x 37下降因子稍微超过2， 到 17 x 17。 因为使用20个过滤器,所以现在的通道数是20。 所以这里的激活a2 将是这个维度 并且nh[2] = nw[2] = 17， nc [2] = 20 好,让我们再加最后一个卷积层。 假设你还是使用 5 x 5 过滤器 同时步长为2 如果你这样做, 通过计算，你将得到7 x 7, 假设您使用40过滤器, 没有填充, 40 过滤器 你将会得到 7 x 7 x 40 所以现在你所做的是，把39 x 39 x 3的输入图像

计算出此图像的 7 x 7 x 40 特征。 最后,通常会做的是, 如果你把这个 7 x 7 x 40, 7乘以7乘以40实际上是1960 现在，我们可以把这些特征 展开为1960个单元，对吧 扁平化成一个向量, 然后将其输入到一个逻辑回归 或 softmax 单元。 5:07 取决于你是在试图识别 “有猫“或者“无猫“（二元） 或者试图识别任意的k种东西（多元） 这就会给出神经网络的最终预测输出 5:20 所以,要清楚, 这最后一步只是采取所有这些数字, 所有1960数字,并展开他们成为一个非常长的矢量。 所以,你只是有一个长的向量, 你可以输送到softmax, 直到它是 为了做出最终预测输出的一个回归 5:41 所以这将是一个非常典型的 ConvNet 的例子。 5:47 卷积神经网络设计中的许多工作是选择 像这样的超参数（hyperparameter）： 总单元数是多少？ 步长是什么？ padding是多少和使用了多少过滤器？

在本周晚些时候以及下周, 我们将给一些 关于如何做出这些选择的一些建议和指导方针。 但是就目前而言，我们要记住的一件事是 随着你建的神经网络越来越深， 通常你开始的时候， 图像都是比较大的，例如39乘39 高度和宽度在保持不变一阵子后 随着你在神经网络中的深入, 逐渐变小 在我们的这个例子里，它从39到37到17到14。 不好意思，是39到37到17到7 而频道的数目一般会增加。 它已经从3到10到20到40, 而你会在许多其他卷积神经网络中 看到这样的一种常见的趋势 6:47 因此, 我们将在以后的视频中给出 更多如何设计这些参数的指导。 但你现在已经看到了一个卷积神经网络的第一个例子, 或者简称为ConvNet 恭喜你 7:02 事实证明, 在一个典型的 ConvNet, 通常有三种类型的层。 一个是卷积层, 通常我们会将其表示为一个Conv层 这就是我们在前面的网络中使用的。 事实证明, 还有两种常见的层类型, 你没有看到，但是我们会在后面的几个视频中讲到 一个称为 "池" 层, 通常我会直接称为池。 最后是一个完全连通的层称为 FC。 虽然我们可能只是使用 卷积层来设计一个相当好的神经网络, 大多数神经网络架构也将有几个池层 和几个完全连接层。

幸运的是池层和 完全连接层比卷积层要简单一些。 7:54 因此, 我们将在下两节课中做简单的介绍, 你将对卷积神经网络中所有常见的层都有一个感觉 你将会够构建比我们刚刚展示的 更强大的神经网络 8:08 再次恭喜你看到你的第一个完整的卷积神经网络。 我们还将在本周晚些时候讨论 如何训练这些网络, 但是在那之前，我们会先简单地 谈谈池层和完全连接层。 我们将使用熟悉的反向传播 来练这些网络 但在下一节课中,让我们快速了解如何实现 ConvNet中的一个池层 GTC字幕组翻译