Task03：字符识别模型（3天）

Copyright © 1999-2020, CSDN.NET, All Rights Reserved

文章目录
CNN（卷积神经网络）介绍
常见相关名词的英语
构建CNN模型！！！！！！！
代码构建
训练代码

卷积神经网络常见层
CNN（卷积神经网络）介绍
精度和速度比传统计算学习方法高很多
在计算机领域，CNN是解决图像分类，图像检索物体检测，语义分割的主流模型

CNN每一层有众多的卷积核组成，每个卷积核对输入的像素进行卷积操作得到下一次输入
约等于降维吧，变小了
在这里插入图片描述
CNN是一种层次模型，由卷积，池化，非线性激活函数和全连接层构成。

CNN训练原理：通过多次卷积和池化，CNN的最后一层将输入的 图像像素 映射为具体的输出。
如在 分类任务 中会转换为 不同类别的概率 输出，然后计算真实标签与CNN模型的预测结果的差异，并通过 反向传播 更新每层的参数，并在更新完成后再次前向传播，如此反复直到训练完成 。

常见相关名词的英语
卷积（convolution）、
池化（pooling）、
非线性激活函数（non-linear activation function）
全连接层（fully connected layer）

构建CNN模型！！！！！！！
Pytrch中构建CNN只需要定义好模型的参数和正向传播即可，Pytorch会根据正向传播自动计算反向传播，