1.卷积神经网络使深度学习卷土重来是因为卷积神经网络非常适合计算机视觉应用的模型。
2.卷积神经网络基本原理包括:卷积算子,卷积的特征,卷积神经网络的典型结构,以及其中的卷积层和池化层。
3.卷积提供了能够提升机器学习效果的的三种重要方法:系数交互或系数连接,参数共享及等价表达。
4.参数共享指的是对模型中的多个函数使用相同的参数。
5.一个典型的卷积网络由三种类型的层构成:卷积层,池化层和全连接层。
6.池化层能逐渐减小表达空间的尺寸,从而降低网络中的参数数量和计算开销。
7.最大池化操作的反向传播具有简单形式,只需将梯度沿正向传播过程中最大值的路径向下传递即可,池化层的正向传播通常会保留最大激活单元的下标,作为反向传播时梯度的传递路径。