【中文字幕】2017春季CS231n 斯坦福深度视觉识别课

pooling操作时没有参数的！！！只是简单的提取每一块的最大值。

1*1的卷积可以帮助减少计算的复杂度

googlenet就是由inception模块级联而成。没有全连接层。

宽度，深度，残差

dense block---dense connected convolutional natework

网络效率将是我们一直努力的方向

F（X）就是所谓的残差

48:24分，3.57%是指 top5的误分率：网络给出5个输出，其中有一个为真正的label即为分类正确。不是什么 “达到了前五名”。

一层有更多的卷积核

使用

VGGNet

why use smaller filter?

Stack of small filter has the same receptive field as biger filter

But deeper, more non-linearities, fewer parameters

GoogLeNet

Inception module - bottleneck layer

Auxiliary classification outputs

ResNet

假设：plain的更深层网络效果不好，可能是一个optimization problem，deeper models are hareder to optimize