Deep convolutional models: case studies

Case studies

image.png

Classic Networks

• 这节课中 你会学到一些 经典神经网络结构 如LeNet-5 AlexNet和VGGNet 我们来看一下 这是LeNet-5的网络结构 你以一幅图像开始 即 32乘32乘1 而LeNet-5的任务是识别手写数字 可能就像这幅数字图像 LeNet-5就在灰度图像上训练 这就是为什么它是32乘32乘1 该神经网络实际上 （这些灰度图像）与你上周所见的样本类似

  
  
  image.png

image.png

image.png

ResNets

• 太深的神经网络训练起来很难，因为有 梯度消失和爆炸这类问题。 在这个视频中，你将会学到 跳跃连接（skip connection），它能让你从一层中得到激活 并突然把它递给下一层，甚至更深的神经网络层 利用它，你就可以训练
  网络层很深很深的残差网络(ResNet)

  
  
  image.png

image.png

Why ResNets Work

image.png

image.png

Networks in Networks and 1x1 Convolutions

image.png

image.png

Inception Network Motivation

image.png

image.png

image.png

Inception Netowork

image.png

image.png

Practical advices for using ConvNets

Using Open-Source Implementation

• 现在 你已经开始开发一个计算机视觉图像应用 在这个过程中最常见的流程从选取一个你喜欢的框架开始 比如一些我们在这个课程中学到的框架 或者你从其他地方听到见到的框架 然后去找一个开源的代码实现 去github上下载好 然后可以在下载好的代码上开发 这样做的好处之一是 这些网络可能需要很长的时间来训练 也许有人已经用多个GPU 和大数据集训练好了 这样你就可以直接对这些网络使用迁移学习

Transfor Learning

image.png

Data Argumentation

image.png

image.png

image.png

State of Computer Vision

image.png

image.png

image.png