DL roam - 版本历史

Hyl：/* 参考资料 */

2018-07-19T02:20:21Z

‎参考资料

Hyl：/* 参考资料 */

2018-07-06T07:37:57Z

‎参考资料

Hyl：/* 参考资料 */

2018-07-06T06:27:37Z

‎参考资料

Hyl：/* 卷积与图像处理 */

2018-07-05T08:12:22Z

‎卷积与图像处理

Hyl：/* 卷积与图像处理 */

2018-07-05T08:12:06Z

‎卷积与图像处理

Hyl：/* 参考资料 */

2018-07-05T06:55:02Z

‎参考资料

Hyl：/* 卷积与图像处理 */

2018-07-05T06:00:06Z

‎卷积与图像处理

Hyl：/* 卷积与图像处理 */

2018-07-05T05:58:25Z

‎卷积与图像处理

Hyl：/* 参考资料 */

2018-07-05T05:57:06Z

‎参考资料

Hyl：/* 卷积与图像处理 */

2018-07-05T05:56:10Z

‎卷积与图像处理

←上一版本		2018年7月19日 (四) 02:20的版本
第229行：		第229行：
	* [http://machinelearninguru.com/computer_vision/basics/convolution/image_convolution_1.html Image Filtering]		* [http://machinelearninguru.com/computer_vision/basics/convolution/image_convolution_1.html Image Filtering]
	* [https://pythonmachinelearning.pro/introduction-to-convolutional-neural-networks-for-vision-tasks/ Introduction to Convolutional Neural Networks for Vision Tasks]		* [https://pythonmachinelearning.pro/introduction-to-convolutional-neural-networks-for-vision-tasks/ Introduction to Convolutional Neural Networks for Vision Tasks]
		+	* [https://skymind.ai/wiki/convolutional-network convolutional-network]

←上一版本		2018年7月6日 (五) 07:37的版本
第199行：		第199行：

	这个卷积后的图像, 实际上是将图片中的点和周围的点的关系的一种度量, kernel就是具体这种关系是什么, 比如高斯模糊,边界检测等等.		这个卷积后的图像, 实际上是将图片中的点和周围的点的关系的一种度量, kernel就是具体这种关系是什么, 比如高斯模糊,边界检测等等.
		+
		+	== CNN ==
		+
		+	有了一般Deep Learning 学习网络的认识, 卷积和图像处理的概念. 就可以进一步看看 CNN 网络了. CNN 网络非常明确的限定了处理对象是图像. 如果都是FNN网络,处理全尺寸图片时, Cost函数仅在第一层就会有巨量的参数. CNN通过引入卷积,或者说kernel对图像进行处理, 能极大的减少参数数量. 其结构一般如下:
		+
		+	[[文件:CNN-Lenet-5.png]]
		+
		+	* 这里的每个convolutions处理都没有画出对应的kernel. 但是有几个feature map就有几个对应的kernels.
		+	* subsampling又称作pool, 最常见的是把图片分割为2x2的子图, 子图中四个值只取最大值, 或者平均值. 这样就逐步减小了图片.
		+
		+
		+	convolution layer结构如下.
		+
		+	[[文件:Lenet5-CONV-Layer.png]]
		+
		+	这些filters/kernels 不是预先定义好的, 而是通过对Cost函数进行梯度下降逐步学习而来, 这里才是神奇的地方. 如果图片尺寸是 W<sub>in</sub> X H<sub>in</sub> X C<sub>in</sub>, filters尺寸是 F<sub>h</sub> X F<sub>w</sub>, 输出的处理过的feature map尺寸根据对边缘点处理的不同有两种, 如果采用填0处理, 则尺寸不变, 如果丢弃周围点不够的行则变为: (W<sub>in</sub> - F<sub>h</sub> +1) X (H<sub>in</sub> - F<sub>w</sub> +1), 而feature map的深度, 也就是处理过的图像个数等于kernels个数.
		+
		+
		+
		+
		+
		+

	== 参考资料 ==		== 参考资料 ==

←上一版本		2018年7月6日 (五) 06:27的版本
第206行：		第206行：
	* [http://www.inf.ed.ac.uk/teaching/courses/cfcs1/lectures/cfcs_l15.pdf Convolutions and kernels ]		* [http://www.inf.ed.ac.uk/teaching/courses/cfcs1/lectures/cfcs_l15.pdf Convolutions and kernels ]
	* [http://machinelearninguru.com/computer_vision/basics/convolution/image_convolution_1.html Image Filtering]		* [http://machinelearninguru.com/computer_vision/basics/convolution/image_convolution_1.html Image Filtering]
		+	* [https://pythonmachinelearning.pro/introduction-to-convolutional-neural-networks-for-vision-tasks/ Introduction to Convolutional Neural Networks for Vision Tasks]

←上一版本		2018年7月5日 (四) 08:12的版本
第191行：		第191行：

	对于边缘的图像, 填充0做成3x3矩阵.		对于边缘的图像, 填充0做成3x3矩阵.
		+
	[[文件:Image-convolution-2.JPG\|600px]]		[[文件:Image-convolution-2.JPG\|600px]]

@@ 第185行： / 第185行： @@
-图像中对应矩阵的选择方法如图所示:
+图像中和kernel做卷积运算的对应矩阵的选择方法如图所示, 对图片每一个像素作卷积,卷积后取中间值作为目标图像的像素值.
 [[文件:Image-convolution-1.JPG|600px]]
 [[文件:Image-convolution-2.JPG|600px]]
 [[文件:Image-convolution-3.JPG|600px]]
 == 参考资料 ==

@@ 第198行： / 第198行： @@
 *  [https://blog.paperspace.com/intro-to-optimization-in-deep-learning-gradient-descent/  Intro to optimization in deep learning: Gradient Descent ]
 *  [http://www.inf.ed.ac.uk/teaching/courses/cfcs1/lectures/cfcs_l15.pdf Convolutions and kernels ]
-*  [http://machinelearninguru.com/computer_vision/basics/convolution/image_convolution_1.html image process, convolutions]
+*  [http://machinelearninguru.com/computer_vision/basics/convolution/image_convolution_1.html Image Filtering]

←上一版本		2018年7月5日 (四) 05:58的版本
第186行：		第186行：

	图像中对应矩阵的选择方法如图所示:		图像中对应矩阵的选择方法如图所示:
		+
		+	[[文件:Image-convolution-1.JPG]]
		+
		+	[[文件:Image-convolution-2.JPG]]
		+
		+	[[文件:Image-convolution-3.JPG]]

	== 参考资料 ==		== 参考资料 ==

←上一版本		2018年7月5日 (四) 05:57的版本
第192行：		第192行：
	* [https://blog.paperspace.com/intro-to-optimization-in-deep-learning-gradient-descent/ Intro to optimization in deep learning: Gradient Descent ]		* [https://blog.paperspace.com/intro-to-optimization-in-deep-learning-gradient-descent/ Intro to optimization in deep learning: Gradient Descent ]
	* [http://www.inf.ed.ac.uk/teaching/courses/cfcs1/lectures/cfcs_l15.pdf Convolutions and kernels ]		* [http://www.inf.ed.ac.uk/teaching/courses/cfcs1/lectures/cfcs_l15.pdf Convolutions and kernels ]
		+	* [http://machinelearninguru.com/computer_vision/basics/convolution/image_convolution_1.html image process, convolutions]

←上一版本		2018年7月5日 (四) 05:56的版本
第178行：		第178行：

	[[文件:Matrix-convolution.jpg]]		[[文件:Matrix-convolution.jpg]]
		+
		+
		+	图像处理应用卷积一般是下面这个样子的, 定义一个矩阵,一般就是3x3(这个矩阵叫做kernel或者filter), 另一个矩阵来自图像(选取图像中相同大小的矩阵), 进行卷积运算, 而且不需要计算全部卷积,只取中心结点 [2,2]即可, 即:
		+
		+	[[文件:Image-kernel-convolution.jpg]]
		+
		+
		+	图像中对应矩阵的选择方法如图所示:

	== 参考资料 ==		== 参考资料 ==