qq_41566530的博客

LeNet CNN(Convolutional Neural Network)雏形：LeCun的LeNet(1998年)网络结构 PyTorch tensor的通道排序：[batch_size, channel, height, width] 官方Demo：Training a Classifier — PyTorch Tutorials 1.11.0+cu102 documentation 3.1 网络结构 说明： 卷积运算后的特征图输出尺寸计算公式： 其中，WWW为输入图像的尺寸(W)，FFF

1 梯度下降方向 若使用整个样本集进行求解，损失梯度会指向全局最优方向 2. 若使用分批次样本进行求解，损失梯度会指向当前批次最优方向 如ImageNet大型图像数据集，在实际应用中往往不可能一次性将所有数据载入内存（算力也不够），所以只能分批次（batch）训练 2 优化器 目的：为了使网络更快的收敛 优化器(Optimizer)（SGD、Momentum、AdaGrad、RMSProp、Adam） 优化器(Optimizer) 许多优化算法的设计从梯度方向和学习率两个方面入手 梯度方向入手：

文章目录计算机视觉入门到实战教程1 机器学习流程2 什么是深度学习？3 特征如何提取？4 图像分类5 K近邻6 神经网络基础6.1 线性函数6.2 损失函数6.3 前向传播与反向传播7 卷积神经网络7.1 与传统神经网络区别7.2 卷积7.3 卷积特征值计算方法7.4 特征图(feature map)7.5 堆叠的卷积层7.6 卷积层参数7.7 特征图尺寸计算7.8 卷积参数共享7.9 池化层7.10 感受野7.11 整体网络架构 计算机视觉入门到实战教程 1 机器学习流程 数据获取 特征工程（重难点）