继续之前的：
- 《深度学习知识卡片：深度学习基本概念》
- 《深度学习知识卡片：Logistic 回归》
- 《深度学习知识卡片：浅层网络的特点》
- 《深度学习知识卡片：深度神经网络的特点》
- 《深度学习知识卡片：偏差与方差》
- 《深度学习知识卡片：正则化》
- 《深度学习知识卡片：最优化训练》
- 《深度学习知识卡片：最优化算法》
- 《深度学习知识卡片：超参数调优》
- 《深度学习知识卡片：结构化机器学习过程》
- 《深度学习知识卡片：误差分析》
- 《深度学习知识卡片：训练集、开发集与测试集》
- 《深度学习知识卡片：学习方法扩展》
计算机视觉任务涉及的数据体量是特别大的，一张图像就有上千个数据点，更别提高分辨率图像和视频了。这时用全连接网络的话，参数数量太大，因而改用卷积神经网络（CNN），参数数量可以极大地减小。CNN 的工作原理就像用检测特定特征的过滤器扫描整张图像，进行特征提取，并逐层组合成越来越复杂的特征。这种「扫描」的工作方式使其有很好的参数共享特性，从而能检测不同位置的相同目标（平移对称）。
卷积核对应的检测特征可以从其参数分布简单地判断，例如，权重从左到右变小的卷积核可以检测到黑白竖条纹的边界，并显示为中间亮，两边暗的特征图，具体的相对亮暗结果取决于图像像素分布和卷积核的相对关系。卷积核权重可以直接硬编码，但为了让相同的架构适应不同的任务，通过训练得到卷积核权重是更好的办法。