CNN基础教学+Pytorch代码实现

目录

1、卷积神经网络和传统神经网络的区别

1.1、传统神将网络（nn) 

1.2、卷积神经网络

 2、卷积神经网络的具体介绍

2.1、输入层

2.2、卷积层——提取特征

2.3、池化层——压缩特征

 3、卷积层补充说明

3.1、颜色通道

 3.2、特征图

3.3、卷积层涉及参数

3.4、卷积结果计算公式

3.4.1、卷积参数共享

4、池化层补充说明

4.1、最大池化

---

1、卷积神经网络和传统神经网络的区别

1.1、传统神将网络（nn) 

        传统神经网络(NN)，是目前各种神经网络的基础，其构造是仿造生物神经网络，将神经元看成一个逻辑单元，其功能是用于对函数进行估计和近似，是一种自适应系统，通俗的讲就是具备学习能力。
        其作用，目前为止就了解到分类。其目的就是在圈和叉之间画出一条分界线，使得接下来我们可以根据其位置来预测其属于哪个分类。这个图只有两种分类，实际上可以有非常多种，但其网络结构也会变得复杂，可以说一层网络可以画一条线，多层网络就可以画多条线。

其内部最主要的构造就是神经元，如下图所示

这张图有五个部分组成

• 输入向量
• 权重
• 求和
• 激励函数
• 输出

可以把权重，求和，激励函数合并在一起，统称为隐藏层，输入的向量可以成为输入层，输出的向量可以称为输出层。
因此神经网络的基础结构便是三层结构

• 输入层
• 隐藏层
• 输出层

                                                 传统神经网络示意图

1.2、卷积神经网络

典型的卷积神经网络由5部分构成：

• 输入层
• 卷积层
• 池化层
• 全连接层
• 输出层

卷积层负责提取图像中的局部特征；池化层用来大幅降低参数量级(降维)；全连接层类似传统神经网络的部分，用来输出想要的结果，也就是神经网络当中的隐藏层。

目前卷积神经网络主要用于图像处理的方面。

 2、卷积神经网络的具体介绍

2.1、输入层

就是给出的图像数据，跟传统神经网络类似。

2.2、卷积层——提取特征

使用多个filter在图像上面做内积，得出多个特征，卷积的过程就是拿一个矩阵在原图矩阵上面边移动，边做内积，最后得出一个比原图小一点的矩阵。如图所示，一个9*9的矩阵被filter后变成了-8。