深度学习-36-基于PyTorch的卷积神经网络LeNet
文章目录
1 卷积神经网络
在 softmax 回归中，我们使用的数据集是图像数据。这种数据的每个样本都是由一个二维像素网格组成，每个像素可能是一个或多个数值，取决于是黑白还是彩色图像。 我们之前的处理方式是通过“展平”，用一个标量表示一个像素，将图像数据展平成一维向量，这会导致图像空间结构信息的缺失，不够有效。
因为这些网络特征元素的顺序是不变的，因此最优的结果是利用先验知识，即利用相近像素之间的相互关联性，从图像数据中学习得到有效的模型。
卷积神经网络就是一类强大的、为处理图像数据而设计的神经网络。
1.1 从全连接层到卷积
在之前的分类问题中，一张图片的形状是 2828，展平后输入维数变成 784，尚可以接受。
那如果输入的图片是百万级像素呢？这意味着模型的输入每次都有百万个维度。即使将隐层的维度设为 1000，这一全连接层的参数个数也有千亿个，想要训练这个模型将不可实现。
但是，目前的图像识别分类技术已经可以很好地处理越来越庞大的图像：这是因为图像中原本就存在着丰富的结构，且这些结构可以被人类和机器学习模型使用。
1.2 最简单的架构LeNet-5
原文地址：https://blog.csdn.net/qq_20466211/article/details/142917093
免责声明：本站文章内容转载自网络资源，如本站内容侵犯了原著者的合法权益，可联系本站删除。更多内容请关注自学内容网（zxcms.com）！