1.国内镜像网站
pip使用清华源镜像源
pip install <库> -i https://pypi.tuna.tsinghua.edu.cn/simple/
pip使用豆瓣的镜像源
pip install <库> -i https://pypi.douban.com/simple/
pip使用中国科技大学的镜像源
pip install <库> -i https://pypi.mirrors.ustc.edu.cn/simple/
pip使用阿里云的镜像源
pip install <库> -i http://mirrors.aliyun.com/pypi/simple/
2.pycharm配置conda环境
3梯度下降法公式案例
梯度下降案例,其中mean方法传入数组,计算平均值
4逻辑回归原理
5分类和回归模型的评价指标
分类模型
回归模型
6全连接神经网络的流程
初始化w和b进行前向传播计算出y值,再计算loss值与loss函数
反向传播计算梯度,利用梯度更新参数,再重新计算loss值,可得更接近于label值
7卷积神经网络
7.1 与全神经网络的区别
- 输入数据的处理方式
全神经网络:在全神经网络中,输入的数据通常是展平的一维向量。也就是说,原本二维的图像(如28x28像素的图像)会被展平成一个一维向量(784个像素)。这种处理方式丧失了图像的空间结构信息,因此网络无法有效地捕捉图像中的局部特征。
卷积神经网络:卷积神经网络则保留了图像的二维结构。通过卷积层,CNN能够在保持图像空间关系的同时提取局部特征。这使得CNN在识别图像时能够更好地捕捉边缘、角落等重要特征,从而提高了识别的准确性。
- 局部连接与共享权重
全神经网络:全神经网络中的每个神经元与前一层的所有神经元相连接,这意味着网络的参数数量庞大,容易导致过拟合。同时,这种全连接结构忽略了图像的局部特性,无法有效捕捉局部特征。
卷积神经网络:卷积神经网络通过局部连接和共享权重的方式减少了参数数量。卷积核在图像上滑动,提取局部特征,并在整个图像中共享这些特征。这种方式不仅减少了参数数量,还能够有效捕捉图像的空间结构信息。
- 空间不变性
全神经网络:由于全神经网络直接将图像展平,无法保持图像的空间不变性。即使图像中的对象在空间位置上发生了变化,全神经网络也难以识别。
卷积神经网络:卷积神经网络通过池化层(如最大池化层)实现了空间不变性。池化层能够缩小图像尺寸,同时保留重要特征,使得网络对图像中对象的空间位置变化具有更强的鲁棒性。
结论
综上所述,全神经网络在处理图像时,由于其展平输入数据和全连接结构,无法有效地捕捉图像的空间结构信息和局部特征。而卷积神经网络通过卷积层、池化层等结构,保留了图像的空间结构,能够更好地提取和利用局部特征,从而在图像识别任务中表现更优。
7.2 卷积运算
卷积的运算过程:数据窗口的大小和卷积核的大小相同,一一对应的与卷积核内每个的权重相乘的和就是结果
7.3核心内容权重共享的理解
7.4卷积运算后的特征图大小公式
其中H是原图的高,OH是特征图的高
P是填充了多少层
FH是卷积核的高
W同理是宽
7.5 多通道卷积运算
F是卷积核,O是输出图
输入特征图的通道数为c,那么卷积核的深度与之相同,输入图每一个通道都与单位深度切片的卷积核进行卷积运算,得到c个卷积输出图,再将c个输出图相加,得到最终的一个卷积核运算输出图,如果有N个卷积核,那么输出图的深度就为n
如图
7.6 池化层
公式与卷积层一样,但是注意的是,池化并不会影响输入图的通道数
8 LeNet卷积神经网络