卷积神经网络学习
作者：互联网
视频学习总结
一、卷积
1.损失函数的用处：衡量预测结果与真实情况的吻合程度。
2.卷积后输出结果为每个类别的概率，根据概率高低推测应属于那个标签。
卷积的目的：提取特征；不同的卷积核关注不同的信息。
3.传统神经网络vs卷积神经网络
传统神经网络：
将图片的每个像素与神经元进行连接。
若权重矩阵参数太多->过拟合（过度拟合数据集的特征）。
卷积神经网络：局部关联，参数共享。
大幅度减少了学习的参数量。
4.卷积是什么？
5.卷积的相关属性
ps:图像是以二维矩阵的形式输入神经网络的。
多卷积核，多通道的计算
二、池化：收缩操作
实际情况表明，绝大多数情况下最大值池化比平均值池化效果好。
三、全连接
四、几种典型的卷积神经网络
1.AlexNet
2.VGG
更深网络
3.GoogleNet
4.ResNet:
利用残差的思想解决梯度消失的问题。
代码练习
一、使用 PyTorch 进行CNN的训练与测试，涉及池化与卷积操作的作用
1.同参数同模型的小型全连接网络和CNN上训练结果对比
可以发现，CNN在具有几乎相同的参数量的情况下，网络的深度要更深，并且得到了更高的准确率。
2.打乱像素顺序再次在两个网络上训练与测试
通过对比可以发现，在打乱像素顺序后的数据训练后，全连接神经网络的正确率几乎没有变化，但卷积神经网络的正确率下降了一些。因为在进行卷积操作的时候，实际上是提取了像素局部的关系和特征，而在像素打乱后的数据集中，这样的关系特征没有了，从而降低了卷积神经网络的效果。
二、数据分类
使用CIFAR10数据集进行图像分类，它包含十个类别：‘airplane’, ‘automobile’, ‘bird’, ‘cat’, ‘deer’, ‘dog’, ‘frog’, ‘horse’, ‘ship’, ‘truck’。CIFAR-10 中的图像尺寸为3x32x32，也就是RGB的3层颜色通道，每层通道内的尺寸为32*32。
准确率为64%。
三、使用 VGG16 对 CIFAR10 分类
使用一个简化版的 VGG 网络，就能够显著地将准确率由 64%，提升到 84.92%
总结
通过视频了解到了卷积的具体计算过程和属性，损失函数的作用。卷积神经网络相对于传统神经网络，大幅度减少了学习的参数量，尽量避免过拟合。了解了池化、全连接的概念。了解了几种典型的卷积神经网络，从AlexNet开始，到VGG，再到GoogleNet和ResNet，卷积神经网络通过增加网络的宽度和深度，减少参数量，解决梯度消失的问题来提高预测的正确率。
标签：卷积,网络,像素,学习,正确率,神经网络,池化 来源： https://www.cnblogs.com/shenhongkong/p/15414930.html