深度学习图像处理入门

学习路线--- 1、图像分类  2、目标检测  3、图像分割 

 进tensorflow官网   用tensorflow.google.cn

1.1卷积神经网络基础

1. 全连接层：BP算法（信号的前向传播和误差的反向传播）
2. 卷积层：卷积核（激活函数sigmoid，Relu，softmax）
3. 池化层：对数据进行稀疏处理，减少数据运算量（上采样，下采样）
4. 误差计算：Cross Entropy Loss交叉熵损失（多分类softmax，二分类sigmoid）
5. 误差反向传播
6. 权重的更新：优化器（SGD，SGD+Momentum，Adagrad，RMSProp，Adam）

2.1PyTorch_demo

1. pytorch Tensor的通道排列 [batch,channel,height,width]
2. N=(W-F+2P)/S+1

LeNet网络 

训练cifar-10训练集

AlexNet网络结构

花分类数据集（

将flower数据集改成自己的数据集，在用split将数据集分成训练集和测试集，然后改下train里面的训练集参数，就可以直接实现一些简单的数据集分类）

VGG网络详解

通过堆叠多个3x3的卷积核来替代大尺度卷积核（在拥有相同感受野的前提下能够减少所需参数）

CNN感受野：在卷积神经网络中，决定某一层输出结果中一个元素所对应的输入层的区域大小，被称为感受野（receptive field），通俗的解释就是，输出feature map上一个单元对应输入层上区域的大小。

感受野计算公式：

F(i)为第i层感受野，Stride为第i层的步距，Ksize为卷积核或池化核尺寸

GoogLeNet网络详解

ResNet详解

后续再更