图像识别基础第二课

课程链接：
本次课继续由陆老师进行讲解
课程分为基础理论篇和实战理解篇：

########################################################

课前回顾 深度学习网络模型

深度学习模型的三个组成部分：
建立模型
损失函数
参数学习

一个思考：全连接网络存在哪些不足？
不足1：模型结构不够灵活。 对应的过于紧密且冗杂
不足2：模型参数过多，这就导致了在运算能力有限的情况下有大量的被浪费了。

一个想法：设置成全连接神经网络进行训练，然后按照w和b 的数值决定是否舍留，寻找并且确定规律。最后确定网络的形状
（即根据输入的训练结果对于全连接网络进行修建，保留有意义的值，删去没有意义的值，最后得到权重。）

卷积神经网络

三大特性： 局部连接、权重共享、下采样

通过这三个特征，卷积神经网络能够在保证网络规模的同时对于模型有较好的精度。

局部连接

通过对于卷积核的设置使得每层之间建立实际上的局部连接（此处视为了和全连接层作区分）

权重共享

对于图像上的每一个像素进行遍历滑动，而输入的神经元的权重相同，

下采样

能够通过下采样降低图片的精度，但是保证图片传递的信息不变。

卷积神经网络的基本结构：

输入==》卷积层==》池化层==》（重复卷积与池化）》全连接层》softmax==》输出分类

卷积核

卷积前边长 a 卷积核边长 b 步长为c
卷积后边长： （a-b）/c + 1 （步长为1，且不加边缘补齐的情况下）

卷积层

卷积层是采用局部连接和权重共享的思想建立的，大大的减少了模型所需的参数量。

单一的卷积核只能提取单一特征，如何利用卷积核解决多个特征？
——增加卷积核的数量即可。 通常用卷积核的数量来表示特征。

如：需要100个特征就需要设置100个卷积核

如何对feature maps进行持续的卷及操作？
——采用多通道卷积

多通道卷积

多少个通道的特征图就可以对应多少通道的卷积核

输出的结果是多个卷积核卷出来的feature map 相加 之后的结果

如果要再进行升维的卷积，需要继续增加卷积核的个数

即：想要增加通道，就增加卷积核的维度；
想要维持通道，就保持和输相同的卷积核维度

pooling

池化层 分为最大池化和平均池化，是一种下采样的应用方式
通常我们使用最大池化 max pooling
池化的作用是增大感受野、维持神经网络规模

softmax

通常分类问题将softmax作为输出层的激活函数
（因为其容易理解且便于计算）

交叉熵损失函数

模型实战

首先放一个学习目录：
【学习目录】基于PaddlePaddle2.0-构建机器学习、深度学习模型

介绍了较为经典的卷积神经网络模型：
AlexNet、GoogleNet、ResNet

AlexNet

参考链接：

基于PaddlePaddle2.0-构建卷积网络模型AlexNet

GoogleNet

参考链接：

基于PaddlePaddle2.0-构建卷积网络GoogLeNet

ResNet

参考链接：
基于PaddlePaddle2.0-构建残差神经网络模型

mobileNet v1 模型

提出了 深度可分离卷积： 即可用逐通道卷积和逐点卷积的组合来代替传统卷积操作（或者可以理解成将卷积操作分解成了两个步骤）

逐通道卷积：不会改变通道数量 ，只改变宽高
逐点卷积： 不会改变输入特征图的 宽高，只改变维度

深度可分离卷积用于代替传统卷积可以将输出通道数的参数数量减小到原有的1/9,大大减少了模型参数的数量

基于PaddlePaddle2.0蝴蝶图像识别分类——预训练模型(残差网络

项目参考链接：https://aistudio.baidu.com/aistudio/projectdetail/1417071