20、卷积神经网络与循环神经网络：原理、架构与应用

卷积神经网络与循环神经网络：原理、架构与应用

1. 卷积神经网络基础

1.1 运行卷积神经网络

可以运行卷积神经网络并等待其处理图像，以下是示例代码：

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

运行该网络需要 50 个周期（epoch），每个周期一次性处理 64 张图像的批次。一个周期意味着整个数据集通过神经网络一次，而一个批次是数据集的一部分，这里是将数据集分成 64 块。每个周期大约持续 8 秒（如果使用 Colab），可以通过进度条监控完成该周期所需的时间，还能查看训练集和测试集的准确率指标。在最后一个周期，一个简单构建的 LeNet5 可以达到 0.989 的准确率，即每尝试识别 100 个手写数字，网络大约能正确猜测 99 个。

1.2 卷积在图像边缘和形状检测中的优势

卷积可以自动处理图像，并且比全连接层表现更好。因为卷积在局部学习图像模式，并且可以在图像的任何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网络层以一种固定的方式确定图像的整体特征，不具备平移不变性。这就