在PyTorch中使用卷积神经网络建立图像分类模型

概述

• 在PyTorch中构建自己的卷积神经网络(CNN)的实践教程

• 我们将研究一个图像分类问题——CNN的一个经典和广泛使用的应用

• 我们将以实用的格式介绍深度学习概念

介绍

我被神经网络的力量和能力所吸引。在机器学习和深度学习领域，几乎每一次突破都以神经网络模型为核心。

这在计算机视觉领域尤为普遍。无论是简单的图像分类还是更高级的东西(如对象检测)，神经网络开辟了处理图像数据的可能性。简而言之，对于像我这样的数据科学家来说，这是一座金矿!

当我们使用深度学习来解决一个图像分类问题时，简单的神经网络总是一个好的起点。但是，它们确实有局限性，而且模型的性能在达到一定程度后无法得到改善。

这就是卷积神经网络(CNNs)改变了竞争环境的地方。它们在计算机视觉应用中无处不在。老实说，我觉得每一个计算机视觉爱好者都应该可以很快学会这个概念。

我将向你介绍使用流行的PyTorch框架进行深度学习的新概念。在本文中，我们将了解卷积神经网络是如何工作的，以及它如何帮助我们改进模型的性能。我们还将研究在PyTorch中CNNs的实现。

目录

    1.简要介绍PyTorch、张量和NumPy

    2.为什么选择卷积神经网络(CNNs)?

    3.识别服装问题

    4.使用PyTorch实现CNNs

一、简要介绍PyTorch、张量和NumPy

让我们快速回顾一下第一篇文章中涉及的内容。我们讨论了PyTorch和张量的基础知识，还讨论了PyTorch与NumPy的相似之处。

PyTorch是一个基于python的库，提供了以下功能:

• 用于创建可序列化和可优化模型的TorchScript

• 以分布式训练进行并行化计算

• 动态计算图，等等

PyTorch中的张量类似于NumPy的n维数组，也可以与gpu一起使用。在这些张量上执行操作几乎与在NumPy数组上执行操作类似。这使得PyTorch非常易于使用和学习。

在本系列的第1部分中，我们构建了一个简单的神经网络来解决一个案例研究。使用我们的简单模型，我们在测试集中获得了大约65%的基准准确度。现在，我们将尝试使用卷积神经网络来提高这个准确度。

二、为什么选择卷积神经网络(CNNs)?

在我们进入实现部分之前，让我们快速地看看为什么我们首先需要CNNs，以及它们是如何工作的。

我们可以将卷积神经网络(CNNs)看作是帮助从图像中提取特征的特征提取器。

在一个简单的神经网络中，我们把一个三维图像转换成一维图像，对吧?让我们看一个例子来理解这一点:

你能认出上面的图像吗?这似乎说不通。现在，让我们看看下面的图片:

我们现在可以很容易地说，这是一只狗。如果我告诉你这两个图像是一样的呢?相信我，他们是一样的!唯一的区别是第一个图像是一维的，而第二个图像是相同图像的二维表示。

空间定位

人工神经网络也会丢失图像的空间方向。让我们再举个例子来理解一下:

你能分辨出这两幅图像的区别吗?至少我不能。由于这是一个一维的表示，因此很难确定它们之间的区别。现在，让我们看看这些图像的二维表示:

在这里，图像某些定位已经改变，但我们无法通过查看一维表示来识别它。

这就是人工神经网络的问题——它们失去了空间定位。

大量参数

神经网络的另一个问题是参数太多。假设我们的图像大小是28*28*3 -所以这里的参数是2352。如果我们有一个大小为224*224*3的图像呢?这里的参数数量为150,528。

这些参数只会随着隐藏层的增加而增加。因此，使用人工神经网络的两个主要缺点是:

     1.丢失图像的空间方向

     2.参数的数量急剧增加

那么我们如何处理这个问题呢?如何在保持空间方向的同时减少可学习参数?

这就是卷积神经网络真正有用的地方。CNNs有助于从图像中提取特征，这可能有助于对图像中的目标进行分类。它首先从图像中提取低维特征(如边缘)，然后提取一些高维特征(如形状)。

我们使用滤波器从图像中提取特征，并使用池技术来减少可学习参数的数量。