本文介绍了唐宇迪的深度学习课程中，如何利用卷积神经网络（CNN）实现CIFAR图像分类任务。代码包含输入层、卷积层、ReLU激活、池化层和全连接层。在Python3环境下，需要进行一些代码修改，如修改pickle加载、print语法、xrange到range的转换、优化配置的迭代方式以及数据集路径等。
唐宇迪的深度学习课程之深度学习入门课程（下2017-11-6更新完毕）
卷积神经网络入门代码实现: 利用卷积神经网络实现cifar 图像分类任务。
三层的神经网络：
输入层(data) ——> 卷积层 (conv) ——> 激励函数 (relu) ——> 池化层 (Max pooling) ——> 全连接层(FC) ——>score
Data ：3*32*32 ; Filter number：32 ; Filter ：7*7 ; Pool : 2*2 ; hidden _dim : 100 ; Class ：10
前向传播和Pooling层的反向传播时采用的是4层循环迭代的方法，迭代的速度很慢。
……………………………………………修改…………………………………………
直接运行课件下载的源码会报错是因为它是python2，而不是python3。如果是python2版本是可以直接运行的。Python3需要做一下修改：
更改：
- python2和3使用的默认编码是不同的，我们会发现pickle.load()函数报错。在代码开始部分（start.py）添加如图所示代码：
最低0.47元/天 解锁文章
1299
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
