基于CNN方法提高识别准确性
最终测试结果：
首先是对CNN的学习
卷积神经网络有三个操作，分别是卷积，池化和全连接
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。
池化层：在卷积层进行特征提取后，输出的特征图会被传递至池化层进行特征选择和信息过滤。
全连接层：卷积神经网络中的卷积层和池化层能够对输入数据进行特征提取，全连接层的作用则是对提取的特征进行非线性组合以得到输出，即全连接层本身不被期望具有特征提取能力，而是试图利用现有的高阶特征完成学习目标。
在初步了解过后，我发现卷积层就是负责特征提取，提取质量与提取效率取决于过滤器方法写的怎么样。但无论怎么写，卷基层提取出来的数据一定是巨量的，这是需要池化层对信息进行过滤，提取其中的主要特征。就是将输入图像进行缩小，只保留重要信息。最后把信息交给全连接层。前面通过卷积和池化层得出的特征，在全连接层对这些总结好的特征做分类
虽然理解了CNN的原理，但是直接实践还是很困难，多亏群内大佬帮忙才跑通了这个baseline。
原baseline链接：AI夏令营 - CV实践教程
4019
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
