卷积神经网络之计算机视觉

注： 本文是学习吴恩达的网易公开课的学习笔记

深度学习给机器视觉带来了巨大的进步。

深度学习和机器视觉能够帮助机器分清汽车和周围的行人，并且帮助汽车避开他们。机器视觉而且能够使得人脸识别更加高效和精准。计算机视觉标志着新兴应用的产生。通过这些工具，你能产生新的产品和应用。其次即使你未在机器视觉上有所建树，但是机器视觉是如此的富有想象力和创造力，由此衍生的新的神经网络和算法，由此启发人们去创造出计算机视觉和其它领域的交叉成果，例如在语音识别中就经常借鉴借鉴计算机视觉的灵感。所以即使你在计算机视觉上没有成果，但是你可以将所学知识应用到其它的算法和结构。

机器视觉解决的问题：

1. 图片分类，比如是猫还不是猫。

2. 目标检测，例如检测目标图片中哪些是车，哪些不是车。

3. 图片风格的转换。

大图片上的深度学习的挑战：

当你有一张1000x1000x3 这么大的图片输入时，那么特征向量的维度就是3百万，那么第一个隐藏层的维度僵尸1000，那么第一层的W的维度就是（1000,3million），在参数如此大的情况下，难以获得足够数据来防止神经网络过拟合和竞争需求，要处理包含30亿的参数，内存也是一个问题。

结论：

为此需要进行卷积运算，它是卷积神经网络非常重要的一块。