Pytorch深度学习入门--CNN基础

卷积神经网络主要应用于计算机视觉相关任务，但它能处理的任务并不局限于图像，其实语音识别也是可以使用卷积神经网络。

CNN 工作概述指的是你挑一张图像，让它历经一系列
卷积层、
非线性层、
池化（下采样（downsampling））层
和全连接层，
最终得到输出。正如之前所说，输出可以是最好地描述了图像内容的一个单独
分类或一组分类的概率。

什么是卷积？
卷积是指将卷积核应用到某个张量的所有点上，通过将卷积核在输入的张量上滑动而生成经过滤波处理的张量。
卷积完成的是 对图像特征的提取或者说信息匹配，当一个包含某些特征的图像经过一个卷积核的时候，一些卷积核被激活，输出特定信号。

为什么说Dropout可以解决过拟合？

（1）取平均的作用
（2）减少神经元之间复杂的共适应关系
（3）Dropout类似于性别在生物进化中的角色：

如何提高网络的拟合能力？
1.增加层
2.增加隐藏神经元个数

参数选择原则
首先开发一个过拟合的模型：
(1) 添加更多的层。
(2) 让每一层变得更大。
(3) 训练更多的轮次
然后，抑制过拟合：
（1）dropout
（2）正则化
（3）图像增强

再次，调节超参数：
学习速率&#x