深度学习笔记——CNN卷积神经网络

本文为在拓尔思智能举办的训练营中学习内容的记录，部分内容摘自百度百科

1.灰度图只有一个通道，RGB三通道

2.in_channels输入通道数，out_channels输出通道数

kernel_size为卷积和的尺寸

stride 为间距，每次计算之后向右平移一个

3 什么是卷积神经网络
卷积神经网络(ConvolutionalNeuralNetwork，简称CNN)是一种深度学习模型，主要用于处理具有网格状拓扑结构的数据，例如图像。CNN在图像识别、视频分析、图像分类、医学图像处理等领域表现出色。它的核心思想是利用卷积层来提取输入数据的特征，并且能够自动学习到这些特征。 CNN的特点：
局部感受野: 每个卷积神经元只负责输入数据的一个局部区域，这使得网络能够捕捉局部特征权重。

共享:同一个卷积核的权重在整个输入数据上是共享的，这大大减少了模型的参数数量。
空间不变性:由于权重共享，卷积层能够检测到输入数据中的位置不变特征，即无论特征在输入数据的哪个位置出现，卷积层都能检测到。
池化层:通常位于卷积层之后，用于降低数据的空间维度，减少参数数量和计算量，同时增强特征的不变性。

全连接层:在网络的末端，将卷积层和池化层提取的特征映射到最终的输出，例如分类标签。

多层结构:CNN通常包含多个标积层和池化层，每一层都在提取不同层次的特征。

4.pooling层（池化层）

常用的是最大池化 Max Pooling

Average Pooling（平均池化）

5.一些常见代码及含义

optimizer.zero.grad（）将上个运算的梯度清空

loss.backward() 反向传播

optimizer.step()   梯度更新

在卷积神经网络中，padding=0表示卷积操作时不进行任何边缘填充，导致输出尺寸缩小。在LeNet-5中，这是有意为之的设计，通过逐步缩小特征图尺寸提取高层特征。