說在前頭
理解不清楚的同學，可以看視頻教程（下篇）
1-1感受卷積神經(jīng)網(wǎng)絡的強大14：55
1-2卷積層詳解12：53
1-3卷積計算流程12：30
1-4卷積核心參數(shù)分析13：13
1-5卷積參數(shù)共享原則08：09
1-6池化層(Pooling)原理08：24
1-7卷積神經(jīng)網(wǎng)絡反向傳播原理14：44
1-8實現(xiàn)卷積層的前向傳播與反向傳播10：19
1-9實現(xiàn)pooling層的前向傳播與反向傳播12：00
1-10經(jīng)典卷及網(wǎng)絡架構(gòu)實例20：35
1-11RNN網(wǎng)絡結(jié)枘08：39
1-12python實現(xiàn)RNN算法33：46
1-13LSTM網(wǎng)絡結(jié)構(gòu)簡介12：36
1-14分類與回歸(Location)任務應用詳解33：30
1-15物休檢實例33：16
1-16如何巧妙設計網(wǎng)絡結(jié)枘21：52
1-17訓練技巧之數(shù)據(jù)增強12．20
1-18訓練技巧之Transfer Learning11：09
1-19深度學習框架caffe簡介20：43
2-0深度學習框架caffe訓練過程20：39
2-1深度學習框架caffe接囗使用實例
全連接的結(jié)構(gòu)有沒有什么弊端呢？
? ??答：參數(shù)過于多，無論從效果還是效率上來說，都存在著很大的問題。
卷積神經(jīng)網(wǎng)路有一個重要的特性，就是他會做一個權(quán)重的共享。
權(quán)重共享：每個特征圖上，每個點，都進行權(quán)重共享。
權(quán)重共享的特性：如上圖所示，每個特征圖上，只有5*5*3個特性，一共75個參數(shù)就OK。還有一個偏置，一共76個參數(shù)。如果提取了十個特征圖，那么只需要760個參數(shù)就可以了，相比傳統(tǒng)的神經(jīng)網(wǎng)絡來說，省了太多。
池化層
假設我們現(xiàn)在有這樣一個特征圖，大小為224*224*64
池化層的意思就是選出一個窗口，之后將窗口里的特征進行壓縮。
壓縮方式也比較簡單，一般來說有兩種壓縮方式，一種是mean方式，一種是max方式。
現(xiàn)在我們可以完整的看一下卷積神經(jīng)網(wǎng)絡的工作流程。
step1：假設小車是我們的一個輸入。
step2：將我們輸入的圖像進行一次卷積
step3: 用RELU函數(shù)進行激活
step4：將我們輸入的圖像進行一次卷積
step5：用RELU函數(shù)進行激活
step6：之后進行池化層操作
通過不斷的卷積核不斷的池化操作，要對特征不斷的進行提取。
最后我們拿到了最后的特征FC，我們用最后的特征去做一些任務。
