卷积神经网络

卷积神经网络

一、视频学习（心得体会）.

• 了解了卷积神经网络的发展历程以及什么是就卷积神经网络。
• 了解了CNN的几个基本结构：卷积、池化、全连接。
• 了解了几个典型网络结构：AlexNet、VGG、GoogleNet、ResNet。
• 了解了卷积神经网络在计算机视觉、自然语言处理等领域重要意义。
• 神经网络的深度学习将会是未来人工智能发展的趋向。

二、代码练习

1.MNIST数据集分类

• 构造简单的CNN对数据集进行分类
  
  
  
  
• 随着训练次数不断增加、准确率也在不断增加。
  

2.CIFAR10数据及分类

• 利用CNN对CIFAR 10 数据集进行分类，分类并识别图片中的物理物体。
  
  
  
• 随着训练次数增加、准确率不断增加、出错率随之不断减小。
  

3.使用VGG16对CIFAR10分类

• 此处代码有少量错误，第一个错误是cfg未定义、改成self.cfg即可，然后就图片尺寸不匹配，该错误可在out=out.view前加入print(out.shape)可进行查看应有的尺寸，如下所示

    def forward(self, x):
        out = self.features(x)
        print(out.shape)
        out = out.view(-1,2048)
        out = self.classifier(out)
        return out

• 运行后输出结果如图所示，然后根据结果把2048改成相应的512或者51211即可
  
• 完整代码修改如下，此处应注意nn.Linear(51211, 10)的前项应该与out.view(-1,51211)的后项保持一致，不然会因不匹配导致出错

class VGG(nn.Module):
    def __init__(self):
        super(VGG, self).__init__()
        self.cfg = [64, 'M', 128, 'M', 256, 256, 'M', 512, 512, 'M', 512, 512, 'M']
        self.features = self._make_layers(self.cfg)
        self.classifier = nn.Linear(512*1*1, 10)

    def forward(self, x):
        out = self.features(x)
        out = out.view(-1,512*1*1)
        out = self.classifier(out)
        return out

• 修改后进行训练如下，测试图片通过率为83.66%，建议设置采用GPU训练，不然非常的慢。