20、卷积神经网络与循环神经网络全解析

卷积神经网络与循环神经网络全解析

1. 卷积神经网络基础

1.1 运行卷积神经网络

运行卷积神经网络处理图像时，可使用以下代码：

batch_size = 64
epochs = 50
history = lenet.fit(X_train, y_train,
                      batch_size=batch_size,
                      epochs=epochs,
                      validation_data=(X_test,
                                       y_test))

这里每个周期（epoch）会一次性处理 64 张图像的批次，整个运行过程需要 50 个周期。一个周期意味着整个数据集在神经网络中完整通过一次，而一个批次是数据集的一部分，在此例中就是将数据集分成 64 块。每个周期大约持续 8 秒（使用 Colab 时），可以通过进度条监控完成该周期所需的时间，同时还能查看训练集和测试集的准确率。最终，一个简单构建的 LeNet5 网络能达到 0.989 的准确率，即每识别 100 个手写数字，大约能正确猜出 99 个。

1.2 卷积在图像边缘和形状检测中的优势

卷积处理图像具有自动性，且比全连接层表现更优。卷积能在局部层面学习图像模式，并在图像的其他部分重现这些模式，这种特性称为平移不变性。而传统的全连接神经层以固定方式确定图像的整体特征，缺乏平移不变性。可以将其类比为学习一本书，逐块理解的学生