本文是根据Andrew Ng的深度学习视频学习，自己总结的。这一系列先只学习关键技术和设计，具体的实例等下一期进行。
一：单object的识别与检测
先来一个简单的，每一图片内都是只有一个需要检测是物体，拿交通相关的数据来说明吧，假如我们要区分出是图片中是汽车，自行车，平衡车，摩托车，行人等等一堆的类别，每个图片中仅仅只包含了一个需要检测的物体，不仅能够分类，还需要给出图中这些物体的位置信息，画出它的大小边框信息。
1：我们先来定义网络和输出信息Y的定义，Y是1 X 1 X (1 + 4 + N)维度的。
直接将整个图像输入进一个卷积神经网络，输出一个1 X 1 X (1 + 4 + N)维度的张量，这里1 X 1就表示这里仅仅只检测一个物体，在后面的多物体检测中，会重新提到整个概念，先留个印象，这里的Channel 是 (1 + 4 + N)维度的，也就是我们的每个Image对应的标签，如下：
Y = [Pc，Bx，By，Bh，Bw，C1，C2，…，CN]
注意：这个标签的设计就是为了一个物体（位置，大小，类别）设计的。
Pc：代表物体检测置信度，表示该一幅图片中是否存在物体，范围是0~1，值越大，越肯定图像中存在需要检测的土体类别。如果该值为0，其他维度的都可以不用关心，直接忽略，
如果该值大于某个阈值drop_threshold，比如0.5/0.6，说明该图像存在物体。因为训练数据还存在一些空白物体的样本。
Bx，By，Bh，Bw：表示该物体的中心点位置坐标x,y，以及图像高度和宽度值，这里需要说明下，为了方便运算，我们一般将图像坐标进行了归一化处理，左上角的坐标是(0,0)，右下角的坐标是(1,1)，图像高度和宽度都是进行了归一化的。因此，在单物体检测中，整个图像就是一个区域，如果在这个区域中找到物体的位置信息值是[Bx，By，Bh，Bw]，实际还要再做一次运算反推到真实物体的位置和大小。
C1，C2，…，CN：是需要检测的物体的类别，假设我们需要检测N种物体或者场景，因此它的的维度就是N，这里就是一个onehot向量，这N个分量维度还需要做softmax操作的，才能输出分类的概率各是多少，所以在计算损失函数额时候，这N个分量维度值都需要先经过softmax计算先。
至此，我们知道了网络的输出值形式，这个形式也是数据集标签的形式，也就是我们需要人工地大量地手动得到这样的数据，每一个图片都是需要人工去采集这样的标签信息，用来做ConvNet的输入。
2：损失函数的定义
数据的输入的标签y有了，前向计算后，输出的y_head也有了，我们来定义损失函数，
这里使用的时候均方差误差。
必须强调的是，当标签的Pc值为0的时候，其他维度均可以舍弃忽略掉。
然后就是利用大量的数据进行训练该模型，梯度下降。
训练数据都是人工打标签得到的哈。
因此该问题被转换为了监督学习。
二：特征点识别（Landmarks detesction）
比如我们有时候需要得到图像中的一些关键信息点，人脸识别中，我们想得到无关的位置，脸型轮廓的位置，在AR/VR中，我们还要得到人体的姿势动作是什么（比如手臂的位置，蹲着的，站着的啥啥啥的）。
比如下图所示。
如上图所示我们有时候需要一些关键点来表述图片的信息，我们按照第一小节的思路，我们先定义图像的标签数据Y，Y是（1 + 2N）维度的向量。
标签形式如下：
Y = [Pc，LX_1，LY_1，LX_2，LY_2，…，LX_N，LY_N]
Pc：仍然是指示图像中是否有需要检测的object存在，代表物体检测置信度，表示该一幅图片中是否存在物体，范围是0~1，值越大，越肯定图像中存在需要检测的土体类别。如果该值为0，其他维度的都可以不用关心，直接忽略，
如果该值大于某个阈值drop_threshold，比如0.5/0.6，说明该图像存在物体。因为训练数据还存在一些空白物体的样本。
LX_m，LY_m：成对存在，表示一个坐标，也是归一化处理了之后的坐标，介于0~1之间的值，如果我们需要得到N个Landmarks点，这个向量的维度就是（1 + 2N）维。
网络形式如下：
这个也好理解，就不多说了。
至于训练数据，依然是大量的人工打标签得来的。
这依然将问题转换为了一个监督学习的问题。
损失函数可以直接是均方差误差，对输出每一维度进行均方差计算。