PyTorch实战（5）——深度卷积神经网络

0. 前言

在本节中，我们将首先简要回顾卷积神经网络 (Convolutional Neural Network, CNN) 架构的发展历程，然后详细研究不同的 CNN 架构。我们将使用 PyTorch 实现这些 CNN 架构，并在此过程中全面探索 PyTorch 在构建深度 CNN 时提供的工具(模块和内置函数)。通过使用 PyTorch 构建 CNN，将使我们能够解决大多数涉及 CNN 的深度学习问题，为构建更复杂的深度学习模型或应用奠定基础。

1. 卷积神经网络优势

卷积神经网络 (Convolutional Neural Network, CNN) 是解决图像分类、目标检测、目标分割、视频处理、自然语言处理和语音识别等复杂问题的最强大的机器学习模型之一。CNN的成功归因于以下因素：

• 权重共享：这使得 CNN 在参数使用上更加高效，即使用相同的权重或参数集来提取不同的特征，特征是模型利用其参数生成的输入数据的高级表示
• 自动特征提取：多阶段特征提取帮助 CNN 自动学习数据集中的特征表示
• 分层学习：