AI学长

VGG网络结构是牛津大学著名研究组VGG（ Visual Geometry Group ）在2014年提出的卷积神经网络结构，受AlexNet网络启发的，其探索卷积神经网络的深度和其性能之间的关系，优化方向**属于“网络加深”** 。

第3例 基于卷积神经网络AlexNet的猫狗分类最近在积攒粉丝500，大家帮帮忙，动动小手指关注、点赞、收藏…🙏🙏🙏🙏🙏🙏第一个典型的CNN是LeNet5网络结构，但是第一个引起大家注意的网络却是AlexNet，也就是文章《ImageNet Classification with Deep Convolutional Neural Networks》介绍的网络结构，它是2012年ImageNet挑战赛的冠军。一、AlexNet网络结构网络总共的层数为8层，5层卷积，3层全连接层，输出1000个类别；

第2例 基于卷积神经网络LeNet的手写体数字识别卷积操作就是提取图像的边缘纹理特征的。卷积神经网络去做图像分类的思路非常简单，先使用卷积运算对图像进行边缘纹理特征提取，多层卷积即是提取深度特征的边缘纹理特征；卷积核是通过机器学习得到的，所以具体提取到什么样的纹理我们不必要去考究。思路： 卷积神经网络 = 提取特征（卷积层、池化） + 分类器（全连接层）1. 卷积神经网络LeNet的结构LeNet网络结构如下：相比全连接网络做分类图像，它多了一些卷积网络的层，如卷积层、池化层。LeNet的

第1例：基于全连接网络的手写体数字MNIST识别1.1 环境说明Window10tensorflow2.x1.2 理论说明全连接网络，实质上是多层感知器，作为分类器出现在应用中。单层感知器是一个简单的线性分类器，能够处理线性二分类问题。多层感知器由单层感知器组合而成，能够处理非线性多分类问题。1.2.1 单层感知器结构如下：计算过程的理解：求和：s=w1∗x1+w2∗x2+...+w3∗x3s = w1*x1+w2*x2+...+w3*x3s=w1∗x1+w2∗x2+...+