#21天学习挑战赛—深度学习实战100例#——第3天（神经网络）

活动地址：[CSDN21天学习挑战赛](https://marketing.csdn.net/p/bdabfb52c5d56532133df2adc1a728fd)
本文为🔗365天深度学习训练营 中的学习记录博客

---

前言

本周的教程有3个不同类型的数据集，包括手写数字、服装分类、天气识别。虽然识别的内容不一样，但是运用的框架都是相似的。
本节主要对一些入门知识进行分解学习。

---

一、本次学习任务？

深度学习的对象是图片，图片是一个个像素点组成的，每个像素点可以看成一个数字，从最简单的角度来看，可以吧一个图片抽象的看成ax+by+cz+… =k，这里的x，y，z相当于图上的像素点值。

二、学习内容

这里借用老师的一张图总结一下深度学习的全流程。

1. 建立神经网络

这里提到了一些概念：
输入层：图片数据的输入
卷积层：使用卷积核提取图片特征
池化层：下采样，获得更高层的图像特征
Flatten层：将多维数据变成1维，常用于卷积层到全链接层
全连接层：特征提取器
输出层：输出结果

老师的例子里其实为了展示以上内容，把这些场景都用上了，其实神经网络设计比这些复杂多了。

2.训练神经网络

设置网络和训练网络老师讲的比较少，就是一行代码过，其实这里涉及到的概念也挺多的。

设置网络的时候一般指的是设置优化器、loss、评估指标。

优化器：通过算法帮助模型在训练过程中，如何更快更好的将参数调整到位，常用adam；

loss函数：估量模型的预测值f(x)与真实值Y的不一致程度，它是一个非负实值函数,通常使用L(Y, f(x))来表示，损失函数越小，模型的鲁棒性就越好。损失函数是经验风险函数的核心部分，也是结构风险函数重要组成部分。

评估指标：常见的有： 准确率（Accuracy），混淆矩阵（Confusion Matrix），精确率（Precision），召回率（Recall），平均正确率（AP），mean Average Precision(mAP)，交并比（IoU），ROC + AUC，非极大值抑制（NMS）

训练网络一般就是指定训练次数，有的时候会设置batch。在训练过程中，一般会看到loss下降和准确率上升。

3.预测和模型评估

训练好的网络用测试集（非训练数据）去看网络的能力。

总结

本章主要介绍深度学习，当然，深度学习其实还包括很多细节这里没涉及到。期待下周的学习。