CNN初学者总结

阿大不大

已于 2022-08-19 21:17:25 修改

阅读量892

点赞数 1

文章标签： cnn 深度学习神经网络

于 2022-08-19 19:29:17 首次发布

本文链接：https://blog.csdn.net/weixin_54639548/article/details/126427377

版权

1. 为什么CNN比常规全连接网络识别图像更有优势？

答：主要是两点：链接稀疏性及平移不变性。图像越复杂，全连接的w , b越多，训练时收敛速度越慢。同时，全连接的输出取决于图片所有点，实际上，很多点与最终输出内容无关。比如狗图片的不同背景，背景不应该对结果有影响。CNN通过卷积核提取关键的局部特征，卷积核共享参数，这样不仅参数量较少，避免过拟合。局部特征的提取，也能而且能通过多个卷积层增加网络深度，更准确提取出关键信息。

2. 怎么理解卷积？

该词来源取自泛函分析中的旋积或者褶积，本质上就是一种Reverse-Shift-Weighted Summation（翻转平移：卷，加权求和：积）的操作。从数学角度来看，可以理解为一种类似于加权运算一样的操作。在图像处理中，针对图像的像素矩阵，卷积操作就是用一个卷积核来逐行逐列的扫描像素矩阵，并与像素矩阵做元素相乘，以此得到新的像素矩阵，这个过程就是卷积。

3. nn.Module

nn.Module是所有神经网络的基类，基于它创建的自定义神经网络类的最低要求是覆写__init__()方法和forward()方法。

# 自定义网络的模板：
class Net(nn.module):
    def __init__(self, ......):
        super(Net, self).__init__()
        ......
    def forward(self, x):
        ......
        return ......

net = Net()