[Stats385] Lecture 03, Harmonic Analysis of Deep CNN

大咖秀，注意提问环节大家的表情，深入窥探大咖的心态，很有意思。

之前有NG做访谈，现在这成了学术圈流行。

Video: https://www.youtube.com/watch?v=oCohnBbmpLA

Lecture: https://stats385.github.io/assets/lectures/bolcskei-stats385-slides.pdf

调和分析 reading list：https://www.zhihu.com/question/28661999

---

先提及了核方法，non-linear --> linear

Then, translation invariance.

• • Translation covariance

Deformation insensitivity

解释了一点random kenrel的validity。

这部分没获得什么启示。

CNNs in a nutshell

到底需要设计多大的网络能满足需求？这是个好问题。

四个话题

Topology reduction

• • Determine how fast the energy contained in the propagated signals (a.k.a. feature maps) decays across layers
  • Guarantee trivial null-space for feature extractor Φ
  • Specify the number of layers needed to have “most” of the input signal energy be contained in the feature vector
  • For a fixed (possibly small) depth, design CNNs that capture “most” of the input signal energy

1:09:00 / 1:35:39 左右提及的上述第三个话题有点意思。

大咖设计网络深度的理论依据原来于此。

1:12:00 / 1:35:39 左右提及的上述第四个话题，shallow network。

抛出一个问题：

Is it possible to disign a network of a certain number of layers to make sure 达到 lower bound?

浅层网咯的设计需要每层更多filters to pick out most of the input signal energy?

想起了什么？mobileNet的权衡参数！【link】

• 宽度乘数 α 　：为了构建更小和更少计算量的网络，作者引入了宽度乘数 α ，作用是改变输入输出通道数，减少特征图数量，让网络变瘦。
• 分辨率乘数 ρ ：分辨率乘数用来改变输入数据层的分辨率，同样也能减少参数。