简介 CNN 是专门用于处理网格化数据的神经网络。
和BP网络不同的是，cnn的特点是权值共享（卷积核filter），并且不需要人工的特征分析。
max pooling ''' return tf.nn.max\_pool(x,ksize=[1,2,2,1],strides=[1,2,2,1],padding='SAME') def cnn
这一角度可以更好理解传统神经网络和 CNN 之间的联系，其中左图是传统神经网络，右图是 Dense 神经网络视角下的 CNN。灰色连接对应于不可训练的 0。
R-CNN方法的主要缺点是依然很耗时，因为需要将每个裁剪区传入整个CNN中，然后才能生成一个类别标签。
这个为CNN的局部感知奠定了一个基础。
目标检测系列之二（R-CNN、Fast R-CNN、Faster R-CNN、Mask R-CNN） 内容目录 1 R-CNN1.1 候选框提取1.2 特征向量提取1.3 SVM分类1.4 候选框修正1.5
这是奔跑的键盘侠的第190篇文章 作者|我是奔跑的键盘侠 来源|奔跑的键盘侠（ID：runningkeyboardhero） 转载请联系授权（微信ID：ctwott） 接上一篇，我们继续…… CNN
参数太多（每个节点都要和下一层的所有节点连接） 容易过拟合 不能很好的抽取局部的特征（如一张有两只猫的图片，它偏向于抽取整张图的特征，而不是图中部分区域的特征） 鉴于以上的问题，我们介绍卷积神经网络（CNN
低头不是认输，是要看清自己的路；仰头不是骄傲，是要看见自己的天空。——科比·布莱恩特
参考 CNN － Convolutional Neural Networks 是近些年在机器视觉领域很火的模型，最先由 Yan Lecun 提出。
选自Nature 作者：Julie Chang 等 机器之心编译 参与：高璇、刘晓坤 CNN 计算效率的研究一直备受关注，但由于功率和带宽的严格限制，CNN 仍难以应用在嵌入式系统如移动视觉、自动驾驶中
01 Intro 本篇文章来细说CNN在NLP中的一大应用————句子分类。通过Yoon Kim的论文介绍一个应用，分析代码，并重构代码。
2.只对原图提取一次卷积特征 在R-CNN中，每个候选框先resize到统一大小，然后分别作为CNN的输入，这样是很低效的。
稍稍乱入的CNN，本文依然是学习周莫烦视频的笔记。 还有 google 在 udacity 上的 CNN 教程。
01.引言 SqueezeNet是Han等提出的一种轻量且高效的CNN模型，它参数比AlexNet少50x，但模型性能（accuracy）与AlexNet接近。
Spatial CNN 对空间关系建模的传统方法是基于 Markov Random Fields (MRF) or Conditional Random Fields (CRF)。
转载自 Charlotte数据挖掘 资料来自网上，略有删改 针对CNN优化的总结 Systematic evaluation of CNN advances on the ImageNet 使用没有 batchnorm
该方法称为Mask R-CNN，通过添加一个分支来预测一个目标掩码，与现有的用于边界框识别的分支并行，从而扩展了Faster R-CNN。
MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications
