文/编辑 | 言有三
学习从来都是从大处着眼，小处着手。前段时间公众号开通了专栏《AI 1000问》，专门选择那些很小，容易被忽视，普通但是不简单，可以引申很多思考的问题，得到了大家的喜欢，现在已经12期了。
因为知识点无法系统性串接，而且内容更新会不定时，所以后续AI1000问就会全部并入知识星球了，欢迎继续来关注噢。
下面我们再来回顾一下之前的12个问题吧，在没有看我们公众号内容之前，你都能回答出来吗？
第1问
做过图像分类项目或者看过文章的小伙伴们应该都知道，在论文中进行各类方法的比较时，要求使用同样的数据集。而为了公平的比较，网络的输入大小通常都是224*224的大小，那为什么呢？你第一时间思考出答案了吗？
【AI-1000问】为什么深度学习图像分类的输入多是224*224
第2问
相信大家也都知道LeNet5这个经典的卷积神经网络，它有3个全连接层，输出维度分别是120，84，10，不知道大家知不知道为什么倒数第2个全连接层的维度是84呢？这背后有一个有趣的小故事，考验论文是不是看得比别人细致，思考是不是比别人更多的机会来了。
【AI-1000问】为什么LeNet5倒数第二个全连接层维度为84？
第3问
做图像处理的我们应该都知道，OpenCV是我们必备的一个工具，在使用OpenCV读取图像时你应该也发现了读取出来的数组居然是BGR格式，而不是我们听的最多，用的最多的RGB格式，这是为什么呢？
【AI-1000问】为什么OpenCV读取的图像格式是BGR？
第4问
现在说起人工智能，聊起AI，每个人或多或少都能说出一点，从历史到未来，从图灵到冯诺依曼，从SVM到CNN等等，但是如果问你是否知道机器学习和模式识别有什么区别？我相信大多数人很懵圈，这两个东西有区别吗？
第5问
人脸识别一直以来都是当前生物特征识别研究的热点之一，人脸识别技术在工业界应用价值尤为突出。那么face detection、alignment、verification、identification(recognization)，你能分的清楚吗？
第6问
我们都知道在2014年ILSVRC比赛中GoogLeNet获得了冠军，其所用模型参数不足AlexNet的1/12，但性能却比AlexNet好不少。那么为什么GoogLeNet要取一个跟作者名字没有关系，也不能直接表现出网络特点的InceptionNet作为名字呢？
【AI-1000问】你知道为什么GoogLeNet也被称为InceptionNet吗？
第7问
想必大家也都听过熵这个概念，也都知道softmax以及softmax loss这个概念，那么交叉熵和softmax loss有什么区别和联系呢?。
【AI-1000问】softmax loss和交叉熵有什么关系？
第8问
想必熟悉图像噪声和和图像信噪比的应该都听说过dB，一般监控摄像机的图像信噪比是50dB，信噪比的典型值一般为45-55dB，若为50dB，则图像有少量噪声，但图像质量良好；若为60dB，则图像质量优良，不出现噪声。说了这么多dB，那你知道dB的由来吗？
第9问
在很多的书以及一些公开数据集中，都会将数据集分为训练集，验证集和测试集，看起来验证集和测试集并没有区别，为什么要分这两个呢？
第10问
我们知道现在在构建CNN时大家喜欢用3*3的卷积，而不是早期的5*5，7*7等更大尺寸的卷积，如vgg系列网络中全部使用了3*3的卷积。那么你知道为什么这样做吗？
第11问
熟悉CNN应该都知道常见的卷积核都是3*3或者5*5等，也就是奇数*奇数，似乎都没看过偶数的，这是为什么呢？
第12问
大家都知道图像分割(image segmentation)是怎么回事，就是将每个像素进行分类。常常将图像分割用于抠图替换背景，但是抠图真的只是图像分割就能搞定吗？为什么还有个技术叫做image matting呢？
【AI-1000问】segmentation和matting有什么区别？
看了这么多，你在看我们答案之前，都能回答出几个问题呢？
然后就是重要通知了！主要有两个。
1、图文版本的《AI1000问》以后将每天在知识星球更新。
2、视频版本的《AI1000问》以后将在bilibili同步更新。
网友评论