人工智能相关
下采样：使图像符合显示区域的大小，生成对象的略缩图，下采样就是池化
池化：特征降维。池化虽然会使得图像变得模糊但不影响图像的辨认跟位置判断
上采样：主要目的是放大原图像，以更高分辨率显示在显示设备上
共有5个版本的ResNet，resnet-18、resnet-34、resnet-50、resnet-101、resnet-152 。他们的不同体型在：一、基本单元不同；二：每一个layer的基本单元数量不同。Resnet中有两个基础单元BasicBlock和BottlenetBlock，RestNet 18/34采用BasicBlock作为基本单元，而ResNet 50/101/152采用BottlenetBlock作为基本单元。下图的左边模块就是BasicBlock，仅包括两个3×3的卷积。右边的是BollteneckBlock，采用了两个1×1的卷积来减少参数量。
前向传播：通过训练数在·据和权重参数计算输出结果；
反向传播：通过导数链式法则计算损失函数对各参数的梯度，并根据梯度进行参数的更新
梯度下降：是迭代法的一种,可以用于求解最小二乘问题(线性和非线性都可以)。在求解机器学习算法的模型参数，即无约束优化问题时，梯度下降（Gradient Descent）是最常采用的方法之一，另一种常用的方法是最小二乘法。在求解损失函数的最小值时，可以通过梯度下降法来一步步的迭代求解，得到最小化的损失函数和模型参数值。反过来，如果我们需要求解损失函数的最大值，这时就需要用梯度上升法来迭代了。
图像的锐化和边缘检测很像，我们先检测边缘，然后把边缘叠加到原来的边缘上，原本图像边缘的值如同被加强了一般，亮度没有变化，但是更加锐利。
边缘检测：
在边缘（也就是台阶处），二阶微分值非常大，其他地方值比较小或者接近0 。
CNN 入门讲解：什么是卷积（Convolution）? - 知乎 (zhihu.com)
卷积层负责提取特征，采样层负责特征选择，全连接层负责分类
卷积神经网络的出现，以参数少，训练快，得分高，易迁移的特点全面碾压之前的简单神经网络
输入图像好比甘蔗。
卷积层好比A君要吃甘蔗，吃完之后（卷积），他得出一系列结论，这个甘蔗真好吃，我还想再吃！
啊不是，说错了
他得出结论，这个甘蔗是圆柱形，长条，甜的，白的，多汁的等等（提取特征）
采样层就好比第一个吃甘蔗的人告诉B君，吃甘蔗，重要的是吃个开心，为什么开心，因为它又甜又多汁，还嘎嘣脆（特征选取）
第二个卷积层就好比，B君并没有去吃剩下的甘蔗，而是
头也不回。
拦也拦不住的
去吃A君吐出的甘蔗渣
然后得出结论，嗯~~，
咦~~？
哦~~！
‘原来这甘蔗渣是涩的，是苦的，不易嚼，不好咽’B君这么说道（二次提取特征）
第二个采样层就好比，B君对别人说，这个甘蔗渣啊，吃的我不开心，因为它很涩，不好咽（二次特征选取）
如果你们要吃，注意点！
注意点!
意点！
点！
全连接层的作用，就好比是一个决策者，他听取了A,B君的描述
这样，如果有人吃很多东西，其中就有甘蔗
他们吃的时候，有一样东西吃起来，感觉和A,B君描述的非常接近，那么决策者就认为
这个很大概率是甘蔗了
我们实现卷积运算最后的方式
就是从左到右，每隔x列Pixel，向右移动一次卷积核进行卷积(x可以自己定义)
黄---蓝---紫，就是卷积核移动的顺序，这里x =1
当已经到最右
从上到下，每隔X行pixel,向下移动一次卷积核，移动完成，再继续如上所述，从左到右进行
就这样，我们先从左到右，再从上到下，直到所有pixels都被卷积核过了一遍，完成输入图片的第一层卷积层的特征提取
这里的x我们叫作stride,就是步长的意思，如果我们x = 2, 就是相当每隔两行或者两列进行卷积
我们称之为补0（zero padding）
因为添了一圈0，实际上什么信息也没有添，但是
同样是stride x=1 的情况下，补0比原来没有添0 的情况下进行卷积，从左到右，从上到下都多赚了2次卷积，这样第一层卷积层输出的特征图（feature map）仍然为5x5，和输入图片的大小一致
而没有添0的第一层卷积层输出特征图大小为3x3
这样有什么好处呢
（1）我们获得的更多更细致的特征信息，上面那个例子我们就可以获得更多的图像边缘信息
（2）我们可以控制卷积层输出的特征图的size，从而可以达到控制网络结构的作用，还是以上面的例子，如果没有做zero-padding以及第二层卷积层的卷积核仍然是3x3, 那么第二层卷积层输出的特征图就是1x1，CNN的特征提取就这么结束了。
同样的情况下加了zero-padding的第二层卷积层输出特征图仍然为5x5,这样我们可以再增加一层卷积层提取更深层次的特征
