508 任务一:卷积神经网络相关概念与pytorch识别手写数字

推荐文章与视频:

https://blog.csdn.net/v_JULY_v/article/details/51812459?

https://blog.csdn.net/weixin_37763870/article/details/103098532?

https://www.bilibili.com/video/BV1Fx41177ws/?spm_id_from=333.788.recommend_more_video.0

一：卷积神经网络相关概念

1.卷积神经网络:卷积神经网络（Convolutional Neural Networks, CNN）是一类包含卷积计算且具有深度结构的前馈神经网络（Feedforward Neural Networks），是深度学习（deep learning）的代表算法之一，目前主要应用于图像识别领域。

2.结构方面的概念:

1.输入层:接收数据并做标准化处理，比如0-255的RGB值要除255变为0-1的值,通道是

2.隐含层:如同一个大黑箱，输入层输入什么，输出层最终给个结果

（1）卷积层:卷积层的功能是对输入数据进行特征提取，其内部包含多个卷积核，组成卷积核的每个元素都对应一个权重系数和一个偏差量（bias vector），类似于一个前馈神经网络的神经元（neuron）。卷积核是一个特征矩阵，里面有很多权重值，图像识别的物体不同，对应的卷积核也不同，刚开始权重值是随机的，然后通过训练弥合。卷

 卷积操作:取数据二维表的一个矩阵和一个卷积核对应项相乘，最后求和。卷积步长是你每一次卷积操作后，移动多少位，为了最终得到和原来一样多的数，还要在边缘补0(padding)

激活函数ReLUs:和sigmoid函数一样，处理数据，不过ReLUs在卷积层用，为max(0,x)

（2）池化层:一种下采样策略,不仅可以减少数据的计算量，还可以避开一些噪点与干扰，减少过拟合，有最大值池化与平均值池化

（3）全连接层:和BP算法类似,最终经过多轮卷积与池化,变成了一维数组,我们就可以训练，预测

3.输出层:根据输入层输出结果，比如图像识别的标签

3.通道:输入的数据，比如最开始的RGB值，经过第一轮卷积操作后的结果，第二轮.....都可称为通道