百度架构师手把手带你零基础实践深度学习——21日学习打卡（第二周第一日）
首先声明，不详细讲解代码部分，主要是针对课程的理解及对作业的分析。（要是有代码相关问题可以私信）不把课件里的复制粘贴，只谈自己的理解。
课程链接：百度架构师手把手带你零基础实践深度学习
课程二维码：
上一篇文章：飞桨PaddlePaddle-百度架构师手把手带你零基础实践深度学习——21日学习打卡（第一周直播视频、大作业、总结）
该课程分类专栏：深度学习课程——飞桨paddlepaddle

今天开始第二周的学习，这周的的主讲老师是孙高峰老师（百度资深算法工程师），主讲内容是计算机视觉（主要讲的是卷积神经网络），最开始也是老生常谈，介绍了计算机视觉的应用场景（我觉得主要是让我们对这部分内容感兴趣），紧接着介绍了计算机视觉的发展历程（我这里就只是简略的看了下，大家不要像我一样哦~）。
今天课程的后半部分讲的才是重点（卷积神经网络），孙老师这个讲解由浅入深，配合课件十分直白直观地将卷积神经网络的概念、卷积神经网络所涉及的卷积、池化（还有激活函数、批归一化、Dropout视频里面还没有讲到，应该是明天讲的吧）部分知识讲解出来，配合两个实例，便于我们理解掌握。

作业

1.计算机视觉的最基本任务是：图像分类、目标检测、图像语义分割、实例分割（===>内容出处）

• Image Classification： 图像分类，用于识别图像中物体的类别（如：bottle、cup、cube）。
• Object Localization： 目标检测，用于检测图像中每个物体的类别，并准确标出它们的位置。
• Semantic Segmentation： 图像语义分割，用于标出图像中每个像素点所属的类别，属于同一类别的像素点用一个颜色标识。
• Instance Segmentation： 实例分割，值得注意的是，（b）中的目标检测任务只需要标注出物体位置，而（d）中的实例分割任务不仅要标注出物体位置，还需要标注出物体的外形轮廓。

2.paddle.fluid.dygraph.nn.Conv2D参数的有:（===>对应API文档）

• num_channels (int) - 输入图像的通道数。
• num_fliters (int) - 卷积核的个数，和输出特征图通道数相同，相当于上文中的CoutC_{out}C
  out 。
• filter_size(int|tuple) - 卷积核大小，可以是整数，比如3，表示卷积核的高和宽均为3 ；或者是两个整数的list，例如[3,2]，表示卷积核的高为3，宽为2。
• stride(int|tuple) - 步幅，可以是整数，默认值为1，表示垂直和水平滑动步幅均为1；或者是两个整数的list，例如[3,2]，表示垂直滑动步幅为3，水平滑动步幅为2。
• padding(int|tuple) - 填充大小，可以是整数，比如1，表示竖直和水平边界填充大小均为1；或者是两个整数的list，例如[2,1]，表示竖直边界填充大小为2，水平边界填充大小为1。
• act（str）- 应用于输出上的激活函数，如Tanh、Softmax、Sigmoid，Relu等，默认值为None。

3.工业产品缺陷检测===>目标检测、图像分割；自动票据识别===>文字识别
4.卷积神经网络的组件：卷积、池化、批归一化、Dropout（===>内容出处）

代码

实例代码链接：案例1——简单的黑白边界检测；案例2——图像中物体边缘检测

有什么不对或者可以改进的地方欢迎评论，互相交流