* **卷积神经网络**是用于**计算机视觉**任务的**最佳机器学习模型**。即使在非常小的数据集上也可以从头开始训练一个卷积神经网络，而且得到的结果还不错。 * 在**小型数据集**上的主要问题是**过拟合**。在处理图像数据时，**数据增强**是一种降低过拟合的强大方法。 * 利用**特征提取**，可以很容易将现有的卷积神经网络复用于**新的数据集**。对于小型图像数据集，这是一种很有价值的方法。 * 作为特征提取的补充，你还可以使用**微调**，将现有模型之前学到的一些数据表示应用于新问题。这种方法可以**进一步提高模型性能**。 ***** 总结： * 卷积神经网络是解决视觉分类问题的最佳工具。 * 卷积神经网络通过学习模块化模式和概念的层次结构来表示视觉世界。 * 卷积神经网络学到的表示很容易可视化，卷积神经网络不是黑盒。 * 现在你能够从头开始训练自己的卷积神经网络来解决图像分类问题。 * 你知道了如何使用视觉数据增强来防止过拟合。 * 你知道了如何使用预训练的卷积神经网络进行特征提取与模型微调。 * 你可以将卷积神经网络学到的过滤器可视化，也可以将类激活热力图可视化。