人工智能导论实验报告-神经网络算法

一、实验目的

1、 掌握PyTorch基于MNIST数据的CNN网络。

2、 掌握神经网络算法，重点是卷积神经网络算法。

二、实验原理

​神经网络是当前深度学习领域普遍所应用的。它是一种高度并行的信息处理系统，具有很强的自适应学习能力，不依赖于研究对象的数学模型，对被控对象的系统参数变化及外界干扰有很好的鲁棒性，能处理复杂的多输入、多输出非线性系统，神经网络要解决的基本问题是分类问题。

​ 卷积神经网络（CNN）主要是用于图像识别领域，它指的是一类网络，而不是某一种，其包含很多不同种结构的网络。不同的网络结构通常表现会不一样。

​ LeNet-5 这个网络虽然很小，但是它包含了深度学习的基本模块：卷积层，池化层，全连接层。是其他深度学习模型的基础。LeNet-5共有7层，不包含输入，每层都包含可训练参数；每个层有多个Feature Map，每个FeatureMap通过一种卷积滤波器提取输入的一种特征，然后每个FeatureMap有多个神经元。

​ MNIST是一个手写体数字的图片数据集，该数据集来由美国国家标准与技术研究所（National Institute of Standards and Technology (NIST)）发起整理，一共统计了来自250个不同的人手写数字图片，其中50%是高中生，50%来自人口普查局的工作人员。该数据集的收集目的是希望通过算法，实现对手写数字的识别。MNIST 数据集可在MNIST handwritten digit database, Yann LeCun, Corinna Cortes and Chris Burges 获取, 它包含了四个部分:

​ Training set images: train-images-idx3-ubyte.gz (9.9MB, 解压后47MB, 包含60,000个样本)

​ Training set labels: train-labels-idx1-ubyte.gz (29KB, 解压后60KB, 包含60,000个标签)

​ Test set images: t10k-images-idx3-ubyte.gz (1.6MB,