一份CS230课程知识点的归纳总结，在Reddit上引发热议

吴恩达斯坦福大学CS230《深度学习》课程内容归纳总结放出，全文干货。对于不方便正式上课的同学们来说，相信这份核心内容总结一定会对你有所帮助。

作为全球计算机四大名校之一，斯坦福大学的CS230《深度学习》课程一直受到全球计算机学子和从业人员的热烈欢迎。

CS230授课人为全球著名计算机科学家吴恩达和他的助教Kian Katanforoosh。

日前，MIT的Afshine Amidi和斯坦福大学的Shervine Amidi在博客上整理了一份CS230课程知识点的归纳总结，在Reddit上引发热议。

评论网友纷纷表示喜大普奔，对于没有条件上课或者没赶上授课时间的人来说，看看这份总结贴也能获益颇丰。

这份总结提要基本遵循CS230的授课思路和流程，分三大方面由浅入深地介绍了深度学习的基本概念、网络模型、研究和实验操作方法等。三部分内容分别为：卷积神经网络、递归神经网络、提示与技巧。

本文主要介绍这份总结的第一部分，即CNN部分的内容，后两部分RNN、窍门与技巧部分，读者可自行参看Github上放出的资源:

卷积神经网络（CNN）

https://stanford.edu/~shervine/teaching/cs-230/cheatsheet-convolutional-neural-networks

递归神经网络（RNN）

https://stanford.edu/~shervine/teaching/cs-230/cheatsheet-recurrent-neural-networks

技巧与窍门

https://stanford.edu/~shervine/teaching/cs-230/cheatsheet-deep-learning-tips-and-tricks

囊括全部内容的“超级VIP”pdf下载

https://github.com/afshinea/stanford-cs-230-deep-learning/blob/master/super-cheatsheet-deep-learning.pdf

卷积神经网络结构：卷积层、池化层、全连接层

传统的卷积神经网络由输入图像、卷积层、池化层和全连接层构成。

卷积层（CONV）：使用过滤器执行卷积操作，扫描输入大小。它的超参数包括滤波器的Size和Stride。结果输出O称为特征映射或激活映射。

池化层（POOL）是一种下采样操作，通常在卷积层之下使用，该卷积层执行一些空间不变性。其中最大池化和平均池化属于特殊操作，分别采用最大值和平均值。

全连接层（FC）在平坦输入上运行，每个输入都连接到所有神经元。如果全连接层存在，通常位于网络体系结构的末尾，可用于优化诸如分类评分等目标。

过滤器超参数

过滤器维度:大小为F×F的过滤器应用在Cchannel上维度为F×F×C。

Stride：对于卷积和池化操作而言，Stride表示每次操作后窗口移动的像素数量。

Zero-padding表示对输入边界的每一端加入P个零的过程。这个值可以通过下图中所示的三个方式手动指定，也可以自动设置。

超参数的调整

卷积层中的超参数兼容性：记输入量长度为I，过滤器长度为F，补零数量为P，Stride量为S，则该维度下特征映射的输出大小O可用下式表示：

理解模型的复杂度：为了获取模型复杂度，常常可以通过相应架构下的参数数量来达到这一目标。在给定的卷积神经网络层中，该过程如下图所示：

感受野：层K上的感受野区域记为Rk×Rk，即第K次激活映射可以“看见”的每个输入像素。若层j上的过滤器大小为Fj，层i上的Stride值为Si，且S0=1，则层k上的感受野可以由下式计算出：

常用激活函数

整流线性单元:整流线性单元层（ReLU）是激活函数g，作用于所有元素。它旨在为网络引入非线性特征，其变量总结在下图中：

Softmax:可以视作一个作用于网络架构末端通用逻辑函数，输入为分数向量，输出为概率向量。其定义如下：

物体检测

模型的类型：

有三类主要的物体识别算法，其预测的性质是不同的。如下表的描述：

三类物体识别算法

检测(Detection)：

在对象检测的上下文中，根据我们是仅想要定位对象还是想要在图像中检测更复杂的形状，可以使用不同的方法。下面总结了两个主要的方法：

边界框检测和特征点检测

Intersection over Union：

Intersection over Union（交并比），也称为IoU，是一种量化预测边界框在实际边界框上的正确定位的函数。它的定义是：

备注：IoU∈[0,1]。按照惯例，如果IoU(Bp,Ba)⩾0.5，预测边界框Bp被认为是合理的。

Anchor boxes：

Anchor boxing是一种用于预测重叠边界框的技术。在实际应用中，网络可以同时预测多个box，其中每个box的预测被约束具有给定的一组几何特性。例如，第一个预测可能是给定形状的矩形框，而第二个预测可能是另一个形状不同的矩形框。

Non-max suppression：

Non-max suppression技术旨在通过选择最具代表性的对象来删除同一对象的重叠边界框。在删除了概率预测低于0.6的所有框之后，在剩余框中重复以下步骤：

对于一个给定的类，

步骤1：选择具有最大预测概率的框。

步骤2：删除任何与前一个框的IoU⩾0.5的框。

YOLO - You Only Look Once，这是一种对象检测算法，它执行以下步骤：

步骤1：将输入图像分割成G×G的网格。

步骤2：对于每个网格单元，运行一个CNN网络，预测下面公式中的y：

其中是检测对象的概率，是检测到的边界框的属性，是检测到的p类的one-hot representation，k是anchor boxes的数量。

步骤3：运行 non-max suppression 算法，删除任何可能的重复重叠边界框。

R-CNN

Region with Convolutional Neural Networks (R-CNN) 是一种对象检测算法，它首先对图像进行分割以找到潜在的相关边界框，然后运行检测算法，在那些边界框中找到最可能的对象。

备注：虽然原始算法计算成本高且速度慢，但新的架构能让算法运行得更快，例如Fast R-CNN和Faster R-CNN。

面部验证和识别

模型类型：下面总结了两种主要类型的模型：

One Shot Learning

One Shot Learning是一种面部验证算法，它使用有限的训练集来学习相似函数，该函数量化两个给定图像的差异。应用于两个图像的相似度函数通常被标注为d(image 1,image 2).。

Siamese Network

Siamese Networks的目的是学习如何编码图像，然后量化不同的两个图像。对于给定的输入图像，编码输出通常记为

Triplet loss

Triplet loss ℓ是在图像A(anchor),P(positive) 和N(negative)这三个图像的嵌入表示上计算的损失函数。 anchor和positive示例属于同一个类，negative示例属于另一个类。通过调用margin参数，该损失定义如下：

神经风格迁移

动机：

神经风格转移（neural style transfer）的目标是基于给定内容C和给定风格S，生成图像G。

激活：

在给定层l中，激活被标记为，并且具有维度

内容成本函数（Content cost function）

内容成本函数用于确定生成的图像G与原始内容图像C的不同之处。它的定义如下：

风格矩阵（Style matrix）

style matrix是一个Gram矩阵，其中每个元素量化了通道k和k'的相关性。它是根据激活

风格成本函数（Style cost function）

风格成本函数用于确定生成的图像G与风格S的不同之处。它的定义如下：

总成本函数（Overall cost function）

总成本函数的定义是内容和风格成本函数的组合，由参数α, β加权，如下所示：

使用计算技巧的架构

生成对抗网络（Generative Adversarial Network）

生成对抗网络，也称为GAN，由生成模型和判别模型组成，其中生成模型旨在生成最真实的输出，这些输出将被用于区分生成图像和真实图像。

ResNet（Residual Network）

残差网络架构（也称为ResNet），使用具有大量层的residual blocks来减少训练误差。 residual blocks 具有以下特征：

Inception Network

该架构使用 inception modules，目的是尝试不同的卷积，以通过特征的多样化来提高其性能。具体来说，它使用1×1卷积技巧来限制计算负担。