第一周 卷積神經(jīng)網(wǎng)絡(luò)(Foundations of Convolutional Neural Networks)
1.1 計算機視覺（Computer vision）
計算機視覺指的主要是通過計算機來進(jìn)行圖像判斷碰缔，人臉識別，以及圖像檢測和分類等滋戳。就是類似人眼睛所做的事情。由于計算機的發(fā)展辑奈，計算機視覺越來越強大廓脆，應(yīng)用領(lǐng)域也越來越多。
1.2 邊緣檢測示例（Edge detection example）
1.3 更多邊緣檢測內(nèi)容（More edge detection）
卷積運算是卷積神經(jīng)網(wǎng)絡(luò)最基本的組成部分捻脖，使用邊緣檢測作為入門樣例锐峭。其他的邊緣檢測也是類似的思路，就是通過特殊的過濾器來進(jìn)行圖片檢測可婶。
1.4 Padding
為了構(gòu)建深度神經(jīng)網(wǎng)絡(luò)沿癞，你需要學(xué)會使用的一個基本的卷積操作就是padding。
之所以需要padding是因為過濾器卷積矛渴，是因為過濾器卷積的時候圖片會縮小椎扬，而且邊緣的像素點使用的次數(shù)比較少。即主要缺點為：
第一個缺點是：每次做卷積操作具温，你的圖像就會縮小盗舰，從6×6縮小到4×4，你可能做了幾次之后桂躏，你的圖像就會變得很小了钻趋，可能會縮小到只有1×1的大小。你可不想讓你的圖像在每次識別邊緣或其他特征時都縮小剂习，這就是第一個缺點蛮位。
第二個缺點是：如果你注意角落邊緣的像素，這個像素點（綠色陰影標(biāo)記）只被一個輸出所觸碰或者使用鳞绕，因為它位于這個3×3的區(qū)域的一角失仁。但如果是在中間的像素點，比如這個（紅色方框標(biāo)記）们何，就會有許多3×3的區(qū)域與之重疊萄焦。所以那些在角落或者邊緣區(qū)域的像素點在輸出中采用較少，意味著你丟掉了圖像邊緣位置的許多信息。
1.5 卷積步長（Strided convolutions）
1.6 三維卷積（Convolutions over volumes）
1.7 單層卷積網(wǎng)絡(luò)（One layer of a convolutional network）
1.8 簡單卷積網(wǎng)絡(luò)示例（A simple convolution network example）
1.9 池化層（Pooling layers）
1.10 卷積神經(jīng)網(wǎng)絡(luò)示例（Convolutional neural network example）
1.11 為什么使用卷積拂封？（Why convolutions?）
第二周 深度卷積網(wǎng)絡(luò)：實例探究(Deep convolutional models: case studies)
2.1 為什么要進(jìn)行實例探究茬射？（Why look at case studies?）
通過去看一些案例和研究別人構(gòu)建有效組件的案例是個不錯的學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的辦法，就像很多人通過看別人的代碼來學(xué)習(xí)編程一樣冒签。
上周我們講了基本構(gòu)建在抛，比如卷積層、池化層以及全連接層這些組件萧恕。事實上刚梭，過去幾年計算機視覺研究中的大量研究都集中在如何把這些基本構(gòu)件組合起來，形成有效的卷積神經(jīng)網(wǎng)絡(luò)票唆。
2.2 經(jīng)典網(wǎng)絡(luò)（Classic networks）
2.3 殘差網(wǎng)絡(luò)（Residual Networks (ResNets)）
2.4 殘差網(wǎng)絡(luò)為什么有用朴读？（Why ResNets work?）
2.5 網(wǎng)絡(luò)中的網(wǎng)絡(luò)以及 1×1 卷積（Network in Network and 1×1 convolutions）
2.6 谷歌 Inception 網(wǎng)絡(luò)簡介（Inception network motivation）
2.7 Inception 網(wǎng)絡(luò)（Inception network）
2.8 使用開源的實現(xiàn)方案（Using open-source implementations）
2.9 遷移學(xué)習(xí)（Transfer Learning）
2.10 數(shù)據(jù)擴充（Data augmentation）
2.11 計算機視覺現(xiàn)狀（The state of computer vision）
豐一禾 2018/11/23 11:01:11
一、學(xué)習(xí)安排（11月20日-11月23日）
1.主要學(xué)習(xí)視頻：第八課：卷積神經(jīng)網(wǎng)絡(luò)
深度卷積網(wǎng)絡(luò)：實例探究
（[圖片上傳失敗...(image-77c0ce-1542942619014)]
https://mooc.study.163.com/smartSpec/detail/1001319001.htm?from=study）
2.參考資料：
2018 Winter Midterm Without Solutions
2018 Winter Midterm With Solutions
C4M1 slides
C4M2 slides
Week 6 slidesC4M1 slides([圖片上傳失敗...(image-b5088b-1542942619014)]
http://cs230.stanford.edu/syllabus.html)
二走趋、作業(yè)上傳事項
1.作業(yè)內(nèi)容：
主要是總結(jié)所學(xué)習(xí)的視頻和講義內(nèi)容
(提交形式磨德，是以“匯報”形式匯報給助教（李凱旋），對于作業(yè)敷衍的直接視為下車)
2.作業(yè)提交日期
作業(yè)規(guī)定在11月23日24點之前吆视，大家把握好時間典挑，且11月24日晚上，助教會公布沒有交作業(yè)者并令其下車啦吧；
@所有人
