CNN卷积神经网络教程【超精华版】【附项目源码】

CNN卷积神经网络教程【超精华版】【附项目源码】

相关链接：

实战项目——基于pytorch的深度学习花朵种类识别项目完整教程（内涵完整文件和代码）

大白话pytorch基本知识点及语法+项目实战

CNN

知识点：

较好数据集：CIFAR-10 数据集

机器学习流程：数据获取、特征提取、建立模型、评估与应用

深度学习特征：数据特征决定了模型的上限、算法与参数选择决定了

神经网络作用：自动进行各种特征提取

神经网络目标：更新w权值矩阵

神经网络矩阵计算：都是内积计算，两矩阵对应位置相乘然后相加

神经网络包括两部分：前向传播和反向传播

回归任务：得分值->损失值

概率任务：概率值->损失值

pytorch是实现cnn的一种方法

如何逼近这个上限、预处理和特征提取是最核心的

K近邻算法：（有缺点，神经网络弥补了）

计算流程：

1.计算已知类别数据集中的点与当前点的距离

2.按照距离依次排序

3.选取与当前点距离最小的K个点

4.确定前K个点所在类别的出现概率

5.返回前K个点出现频率最高的类别作为当前点预测分类

k近邻进行的图像识别，用测试照片和众多训练照片各个对应像素点相减，得到的差值矩阵各个数据的总和最小的，则测试图片和该训练图片一种类别。

缺点：不能分清哪个是主体，哪个是背景，干扰太大

传统神经网络层级结构（nn，二维）：

隐层神经元数量越多效果越好，但太多容易出现过拟合

非线性变换用的激活函数

全连接层不能搞三维

数据预处理：

参数初始化：初始化权值矩阵（随机生成）

数据标准化：

前向传播：

神经网络基础线性函数：（计算得分值）

F（Xi，w，b）= w*xi + b

w 权值矩阵是不断优化出来的，初始化一个随机的

损失函数L：

计算损失值：

max（0，（该预测的各个类别的概率的最大值 - 正确种类的预测值 + 1 ））

0和该项取一个大值，+1 是容错值，即正确类别比其他类别的最大值要大1才行

R（w）是防止过拟合，即（1，0，0，0）和（0.25，0.25，0.25，0.25），前者可能恰好这张图拟合的很好，但肯定不行，加入平方项让其变成大值被去掉

softmax分类器->得各类概率值：

反向传播：

用结果对相关参数分别做偏导，可以得到该参数对结果的影响

卷积神经网络（cnn，三维）：

得到几个类别的概率值

输入层->卷积层（提取特征）->激活函数（非线性处理，卷积操作后必须有这一步）->（几次）池化层（压缩特征）->全连接层（加上权重，输入层和隐层的矩阵运算）

卷积神经网络架构：

卷积层：

一般卷积是3*3核，步长为1

要得到几个特征值就选几个卷积核

三个通道分别计算然后加在一起

相乘（做内积）后要 + b（偏置项）

绿色的为一次卷积得到的特征图（filter）

池化层：

推荐B站看一下唐宇迪讲解，很通俗易懂
4天教会你深度学习|Opencv+PyTorch+CNN+Python入门到实战课程

关注博主，分享学习教程，一起HappyCodeing