1. Case study：学习经典网络的原因是它们可以被迁移到其他任务中。
1.1）几种经典的网络：
a）LeNet-5（LeCun et al., 1998. Gradient-based learning applied to document recognition，NG建议重点读II部分，泛读III部分）：这个网络大概60k个参数。那个时期习惯于用average pooling（现在是max pooling），sigmoid/tanh（现在是ReLU），最后的分类函数现在已经不常用了（现在是Softmax）。可以看到随着网络越来越深，图片越来越小，通道数越来越多。
b）AlexNet（Krizhevsky et al., 2012. ImageNet classification with deep convolutional neural networks.）：比LeNet大很多，大概6000万参数。其次，使用了ReLU激活函数。作者使用了非常复杂的方法在两个GPU上训练（这些层被分别拆分到两个不同的GPU上，并且还有一些两块GPU数据通信的方法）。原文还提出了局部响应归一化层（Local Response Normalization，LRN），这种层用的不多，后来的研究者论证它没什么用。
c）VGG-16（Simonyan & Zisserman 2015. Very deep convolutional networks for large-scale image recognition.）16层（有参数的，POOL不算），1.38亿个参数。本文很独特的提出，与其有那么多超参数，不如所有卷积层、池化层的超参数都是一样的。下图中X2的意思是重复了两次。
1.2）ResNet (He et al., Deep residual networks for image recognition)：这是为了解决很深的网络（多达100层）因为存在梯度消失和梯度爆炸的问题而难训练的问题。基本思想是跳过某一层或者若干曾网络，直接把数据传递到后面的层。理论上随着网络深度的增加，训练误差应该越来越小。但对于一般的网络（ResNet论文里叫Plain network），随着层数的增加，训练误差会先减小后增加，这是由于很深的网络难优化。ResNet克服了这个问题，即使训练上百上千层的网络，训练误差也是越来越小，这种方法很有效的解决了梯度消失和梯度爆炸的问题。
Residual block：
原本的前向传播：z[l+1] = W[l+1]a[l]+b[l+1]，a[l+1] = g(z[l+1])，z[l+2] = W[l+2]a[l+1]+b[l+2]，a[l+2] = g(z[l+2])；
加入short cut (或者叫skip connection)之后，a[l+2] = g(z[l+2]+a[l])；这里的a[l]就是在原来的前向传播中加入了一个residual。
ResNet的一个例子：每两层构成一个Residual block，一共五个串联。
为什么ResNet有效？我们把 a[l+2] = g(z[l+2]+a[l]) 展开可以得到 a[l+2] = g(W[l+2]a[l+1]+b[l+2] + a[l])，如果采用了L2正则化（也就是权重衰减(weight decay)），W[l+2]会变小，如果W[l+2]=0，b[l+2]=0，则a[l+2] = g(a[l])，如果用ReLU激活函数，所有激活值非负，则a[l+2] = a[l]，这意味着多出来的层无效，NG课程里的原话是:"the identity function is easy for residual block to learn."所以ResNet的效率不逊色于更简单的神经网络，而大部分情况下，它很幸运的还要表现的更好。
另外一个需要注意的是，z[l+2]+a[l] 这一步操作需要二者维度相同，所以在ResNet中，一般使用"same" convolution（也就是先padding，保证输入和输出的尺寸一致），如果二者维度不同（比如中间加了池化层），则会增加一个矩阵变换 z[l+2]+Wsa[l] 。
1.3）Inception（Szegedy et al., 2014. Going deeper with convolutions）。在实际搭建网络的时候，我们需要决定滤波器的大小（例如是1x1还是3x3还是5x5）、要不要添加池化层，Inception network的想法是把这些滤波器和池化层全做一遍，然后堆叠起来，一起丢给神经网络让它自己优化选择。
比如在下面这个例子中，同时使用了64个1x1的filter、128个3x3的filter、32个5x5的filter和32个MAX池化层（为了统一大小，这里都使用了"same"操作），然后把结果堆叠起来，得到256个通道的输出。
这种思路带来的问题是计算量太大（比如上面例子中的32个5x5的filter进行了28*28*32*5*5*192=120million），解决的办法是用1x1的filter来减少运算量。这里先讲一下1x1的卷积
1x1卷积：最主要的目的是压缩通道数量，降低运算量。比如下面例子中，32个1x1x192的filter（filter的通道数和输入相同）和28x28x192的输入卷积得到28x28x32的输出，把输入的通道数从192压缩成32。所以池化层是压缩图像大小，而1x1卷积层是压缩通道数量。
回到用1x1卷积层解决Inception network运算量大的问题，如下图所示，在进行32个5x5x16的filter运算之前，先用16个1x1x192的filter把输入压缩成28x28x16的大小（这也被称做bottleneck layer），这时候的计算量是28*28*16*1*1*192+28*28*32*5*5*16=12.4million，为之前的十分之一。
下图展示了一个典型的Inception module，使用多种不同的filter，并用1x1的卷积层降低通道数，最后把结果堆叠起来：
最后，Inception这个名字的由来是《盗梦空间（Inception）》，因为里面有句台词：“We need to go deeper.”
2. 迁移学习（Transfer learning）
相比于从头开始训练，把别人已经训练好的网络结构作为预训练，然后迁移到自己的任务上，会极大的加快项目进度。
核心思想就是：越多的数据集支持训练越大的网络。如果自己的任务只有很小的数据集，那么可以把前人的网络都固定住，只替换并训练最后的softmax输出层；如果自己有中等大小的数据集，可以固定网络的前部分，只替换并训练最后若干层网络；如果自己有很大的数据集，可以把前人的网络的参数作为初始值（这时候就不需要随机初始化参数了），把所有层都训练一遍。自己有极其庞大的数据集，才值得完全从头开始训练。
3. 数据扩充（Data augmentation）
在计算机视觉领域，越多的数据会带来越好的效果（其他领域可能非常多的数据不会带来显著提高）。
常用的手段：
1）垂直镜像；
2）随机修剪（random cropping），随机剪裁出原图的一部分。
3）旋转；
4）Shearing；
5）Local warping；
6）Color shifting，给RGB三通道加上各自的bias（比如RGB三通道分别+20,-20,+20）。更高阶的方式是用PCA（主成分分析），AlexNet的论文里提出的，有时被称作“PCA color augmentation”，基本想法是如果图片呈现紫色即主要成分是红色和蓝色，绿色相对较少，则PCA颜色增强算法会把红色和蓝色减小很多，使总体三通道保持一致。
在实际部署中，数据集存在硬盘上，有一个CPU线程不断从硬盘读图片并且做data augmentation，构成batch数据或者mini-batch数据，这些数据会被传递给其他线程或者进程在CPU或者GPU上做训练。一般数据的读取和训练是并行实现的。
4. 计算机视觉现状
机器学习的系统有两个知识来源：1）带标签的数据（labeled data）；2）手工提取的特征（hand engineered features/network architecture/other omponents）。如果有海量的数据，人们倾向于用更简单的算法，以及更少的手工工程（hand engineering）；相反，当没有那么多数据时，会更多的利用手工工程，大部分的机器学习问题都是归在这一类。
对于计算机视觉来说，这是要实现非常复杂的功能，所以我们总是感觉我们没有足够的数据。这也是为什么从历史甚至到现在，计算机视觉都更多的依赖手工工程。这也是为什么计算机视觉有非常复杂的网络架构，因为在没有足够的数据的情况下，还是要花更多的精力来进行架构设计，以此获得更好的表现。
如何在benchmarks上获得更好的表现？NG给的建议是：1）同时训练几个网络，对它们的结果取均值，这可以提高1%、2%的表现（甚至更好）； 2）multi-crop at test time，在测试集上应用data augmentation，一种比较著名的方式是10-crop，它从一张图片生成十张来做预测，然后对结果平均。NG说如果有足够的计算资源，可以做这些事情，但他自己不倾向于在构建实际产品时使用这些方法。
另外的关于开源代码的建议：1）使用已经发表的论文的架构，计算机视觉领域，在某个任务上表现很好的架构在其他视觉问题上表现也通常很好。2）如果可能的话，可以使用开源代码的部署。3）把开源代码作为预训练，在自己的数据集上微调。