本文介绍了深度学习的基础概念，包括张量、卷积神经网络（CNN）及其组件。张量是矩阵形式的数据结构，torch.rand()用于创建随机张量。卷积层通过卷积核对图像进行滤波和特征提取，而池化层则用于降低维度，加速训练。非线性变换引入模型复杂性，帮助拟合复杂数据。最后，讨论了线性层的作用及反向传播在优化模型中的应用。
tensor：张量，可以理解为矩阵
torch.rand(batsh_size,chanel,w,h)
batsh_size:一次性能处理的数量
channel：通道数，比如一般的图像为RGB 三通道，灰度图像则只有灰度值，也就是单通道1
w,h:张量的长和宽
nn.moudule:神经网络
包含有forward类函数，
包含有卷积层，池化层等等。
卷积层：
来自百度百科的解释：
卷积神经网络中每层卷积层（Convolutional layer）由若干卷积单元组成，每个卷积单元的参数都是通过反向传播算法最佳化得到的。卷积运算的目的是提取输入的不同特征，第一层卷积层可能只能提取一些低级的特征如边缘、线条和角等层级，更多层的网路能从低级特征中迭代提取更复杂的特征。
作用:类似于滤波器（选频，降噪），提取图像特征。
卷积核：系统自动给定的的初始化值，卷积核的大小是自己设定，接受元组或是整形输入，比如3x3的卷积核，卷积的操作是把卷积核的值一个个与输入值相乘再累加，以此得到输出，输出的长和宽不仅取决于输入和卷积核还收step（步长）影响,步长指的是卷积核做卷积操作时向右相下移动的步数。
池化层：
作用：抽象，降维，类似于把1080p的视频变成720p，减低训练时间。
线性层：
作用：变换特征维度
非线性变换：为网络中引入非线性特征，非线性越多，才能训练出拟合各种曲线的模型。
根据loss获得梯度从而进行反向传播进行优化
扫一扫
445
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
