DataWhale AI夏令营-《李宏毅深度学习教程》笔记-task2

第四章 卷积神经网络

这部分看书的时候感觉云里雾里的，好在之前学过一些卷积神经网络、全链接、感受野的概念，我就用自己的理解阐述一篇笔记吧，当复习了。

卷积神经网络构成

传统的卷积神经网络由三部分构成：
卷积层：想象你拿一个小窗口在图片上滑动，每次看到的只是局部区域。这个窗口就是卷积核，它负责提取图片的局部特征。例如，当这个窗口在图片中滑动时，它可能会捕捉到图像的边缘或颜色变化。
就像下图一样，有一个3×3的框，在原始6×6的图像上滑动，来捕捉一些信息

池化层：这个层类似于你在大图上压缩信息，把一些相邻区域的特征点取个平均或最大值，这个过程叫做池化（Pooling）。池化层帮助减少数据的维度，同时保留重要信息，类似于我们拍摄缩略图，虽然图像变小了，但主要内容还是保留了。
传统的池化有两这类型应用广泛，即最大池化和平均池化。
最大池化可以看作一个2×2的区域最后只保留这四个值中最大的一个。
平均池化就是2×2的区域的平均值作为结构保存。

全连接层：在经过多个卷积层和池化层后，网络最终会把提取的特征展平，然后连接到全连接层。这一层就像传统的神经网络，负责最后的分类或回归任务。
全连接层就是 y=wx+b 的操作
其中：
w 是权重矩阵，表示每个输入节点对输出节点的影响。
x 是输入向量，即来自上一层的输出。
b 是偏置向量，帮助模型更好地拟合数据。
y 是输出向量，即这一层的输出，通常会作为下一层的输入。

一个通俗的例子

假设你有一只机器人，它要学会识别照片中的猫和狗。最初，机器人什么都不懂，它只是看到一堆像素点。
卷积层：机器人先学习“看”图像的小部分，比如耳朵、眼睛的形状、胡须的样子等等。就像你第一次看一张模糊的照片，可能只会注意到某个区域的轮廓。
池化层：然后，机器人会把这些特征简化，找到最具代表性的部分，好比你在一个小尺寸的缩略图中还认得出这些部分。
全连接层：最后，机器人会综合所有这些信息，得出结论：“嗯，这只动物有尖尖的耳朵、圆圆的眼睛、长长的胡须，应该是一只猫！”

好了就这样吧。感觉有点水笔记的感觉，但是卷积神经网络通俗的说其实就这些内容，但是要是细讲公式太多了CSDN用的还不是很熟练。