构建第一个卷积神经网络模型的动手指南

概述

本文将简要讨论卷积神经网络（CNN），这是一种专为图像相关任务设计的特殊神经网络。

本文将主要关注CNN的实现部分。

目录

• 介绍

• CNN 模型架构中的主要组成部分

  • 卷积层

  • 池化层

  • 全连接层

• 代码实现

  • 步骤1：导入必要的库

  • 步骤2：下载训练和测试数据集

  • 步骤3：拆分训练集进行训练和验证

  • 步骤4：使用 Dataloader 将数据集加载到内存中

  • 步骤5：定义架构

  • 步骤6：定义损失函数

  • 步骤7：实施训练和验证算法

  • 步骤8：训练和评估阶段

  • 步骤9：测试阶段

  • 步骤 10 使用样本进行测试

• 结论

介绍

卷积神经网络由 Yann LeCun 和 Yoshua Bengio 在 1995 年引入，后来证明在图像领域显示出非凡的结果。

那么，当应用于图像领域时，它们与普通神经网络相比有何特别之处？

我将用一个简单的例子来解释其中的一个原因。考虑到任务是对手写数字图像进行分类，下面给出了一些来自训练集的样本。

如果你正确观察，你会发现所有数字都出现在相应图像的中心。如果测试图像的类型相似，用这些图像训练一个正常的神经网络模型可能会得到很好的结果。

但是如果测试图像如下所示呢？

这里数字九出现在图像的角落。如果我们使用一个简单的神经网络模型来对这张图片进行分类，我们的模型可能会分类失败。

但是，如果将相同的测试图像提供给 CNN 模型，则它很可能会正确分类。它性能更好的原因是它在图像中寻找空间特征。

对于上述情况本身，即使数字 9 位于帧的左角，经过训练的 CNN 模型也会捕获图像中的特征，并且很可能预测该数字是数字 9。普通的神经网络无法做到这种程度。

现在让我们简要讨论一下 CNN 的主要构建块。

CNN 模型架构中的主要组成部分

这是一个简单的 CNN 模型，用于对图像是否包含猫进行分类。

因此，CNN 的主要组成部分是：

1. 卷积层

2. 池化层

3. 全连接层

卷积层 

卷积层帮助我们提取图像中存在的特征。这种提取是在滤波器的帮助下实现的。

请遵守以下操作。

在这里，我们可以看到一个窗口在整个图像上滑动，其中图像表示为网格。

现在让我们看看如何进行卷积运算。

假设输入特征图是我们的图像，卷积滤波器是我们要滑过的窗口。

现在让我们观察卷积运算的实例之一。

当卷积滤