[动手学深度学习PyTorch5]

一 卷积神经网络

二维卷积层

常用于图像处理。二维互相关运算是按元素相乘求和。由于卷积层的核数组是可学习的，所以使用互相关运算与使用卷积运算并无本质区别。二维卷积层将输入和卷积核做互相关运算，并加上一个标量偏置来得到输出。卷积层的模型参数包括卷积核和标量偏置。

多输入通道和多输出通道

卷积层的输入和输出都可以包含多个通道

池化

池化层主要用于缓解卷积层对位置的过度敏感性。同卷积层一样，池化层每次对输入数据的一个固定形状窗口（又称池化窗口）中的元素计算输出，池化层直接计算池化窗口内元素的最大值或者平均值，该运算也分别叫做最大池化或平均池化。

二 leNet

使用全连接层的局限性：图像在同一列邻近的像素在这个向量中可能相距较远。它们构成的模式可能难以被模型识别。对于大尺寸的输入图像，使用全连接层容易导致模型过大。
使用卷积层的优势：卷积层保留输入形状。卷积层通过滑动窗口将同一卷积核与不同位置的输入重复计算，从而避免参数尺寸过大。
LeNet 模型分为卷积层块和全连接层块两个部分。卷积层块里的基本单位是卷积层后接平均池化层：卷积层用来识别图像里的空间模式，如线条和物体局部，之后的平均池化层则用来降低卷积层对位置的敏感性。卷积层块由2个这样的基本单位重复堆叠构成。

三 卷积神经网络进阶

深度卷积神经网络（AlexNet）

特征：

1. 8层变换，其中有5层卷积和2层全连接隐藏层，以及1个全连接输出层。
2. 将si