第三次作业卷积神经网络

视频学习心得：

李昊：卷积神经网络是深度学习的代表算法之一，具有表征学习能力，可以按照其阶层结构对输入信息进行平移不变分类。卷积神经网络在计算机视觉领域发挥了巨大的作用，在自动驾驶、人脸识别方面都有很多的应用。卷积神经网络的结构分为输入层、隐含层、输出层。其中最复杂的为隐含层，包括卷积层、池化层和全连接层3类常见构筑，到目前一些先进的算法中还包括Inception模块、残差块等复杂构筑。

李梓垠：视频主要介绍了卷积神经网络的基本结构，通过对比传统神经网络和卷积神经网络两种结构，简述了卷积神经网络的经典结构，让我对卷积神经网络有了较为深刻的认识，对于基本结构中的卷积层、池化层、全连接层以及经典的卷积神经网络结构有了较好的认知。

姚文龙：卷积神经网络，是一类包含卷积计算且具有深度结构的前馈神经网络，是深度学习的代表算法之一。卷积神经网络在监督学习中使用BP框架进行学习，其计算流程中就已经确定，是最早在BP框架进行学习的深度算法之一。

张雨潇：通过本次的视频学习，我了解了一些卷积神经网络的典型结构：AlexNet、ZFNet、VGG、GoogleNet、ResNet。也在本次视频学习中了解到了卷积神经网络与传统神经网络之间的区别，了解到了卷积神经网络在人脸识别，自动驾驶方面的广泛运用。卷积神经网络是深度学习的代表算法之一，具有表征学习能力。

王瑞清：通过学习本次视频，我认识到卷积神经网络应用十分广泛，同时也能为未来许多技术提供支持。视频首先列举了神经网络在的实际应用，然后比较了传统的神经网络与卷积神经网络的相似与不同之处，最后重点讲解了卷积神经网络的三部分内容：卷积、池化与全连接。

许颖颖：通过本次的视频学习，我认识到深度学习在生活中的广泛应用，从浏览器的图片搜索到Photoshop的图片风格化再到高铁机场的人脸识别等等，而在技术飞速进步的时代，深度学习也从效率较低、容易因参数过多出现过度拟合的传统深度学习发展为参数量小、容易实现的卷积神经网络，卷积神经网络又通过卷积、池化、全连接来实现；卷积涉及到使用卷积核，对输入的矩阵数据进行内积，得出对应区域的结果；池化又有最大池化和平均池化等，以实现突出整体背景或者突出纹理特征的不同需求。

学习视频后的疑问：

李昊：关于池化层的Lp池化还不是很明白，关于Lp池化模型不明白。

李梓垠：池化层没怎么听明白， Lp池化模型不明白，分层方面也不是很理解

姚文龙：我对于池化层不是很理解

张雨潇：对于卷积神经网络的典型结构还不是很明白，对于其基本结构与它们之间的关系也不是很了解。

王瑞清：反向传播、随机梯度下降等等专业的术语、函数视频只是一带而过，并不明白其中的准确定义和如何与应用等问题，可以讲几个例题；神经网络的全连接学习过程讲的太笼统了，没听明白。

许颖颖：通过本次视频我学习到了很多知识，但是也有一些疑问。我也想知道特斯拉这些车企自动驾驶的基本原理以及自动驾驶出现错误的解决方式以及自动驾驶的未来等等，除此之外视频中对一些算法的具体内容和应用也没有深入讲解，比如反向传播等等。

代码练习：

李昊：https://www.cnblogs.com/ky1102/p/15418037.html

李梓垠：https://www.cnblogs.com/hdliziyin/p/15417985.html

姚文龙：https://www.cnblogs.com/ywlywl/p/15418329.html

张雨潇：https://www.cnblogs.com/zyxz/p/15418046.html