12、卷积神经网络入门与实践

卷积神经网络入门与实践

1. 卷积和池化的特性

当图像向左平移 1 个像素时，经过卷积、激活和池化操作后，图像的维度会因池化而降低，意味着更少的像素存储了原始图像的大部分信息。并且，由于池化存储的是区域信息，即使原始图像平移 1 个单位，池化图像中单个像素的信息也不会改变，因为该区域的最大值很可能会被捕捉到。

卷积和池化还与感受野有关。例如，对一个 100x100 的图像进行两次卷积 + 池化操作（卷积操作带填充），最终输出为 25x25 的图像。此时，25x25 输出中的每个单元对应原始图像中一个更大的 4x4 区域，即每个单元包含了原始图像一个区域内的关键信息。

2. 实现卷积神经网络（CNN）

为了深入理解 CNN 的工作原理，我们将在一个玩具数据集上构建 CNN 模型，具体步骤如下：
1. 导入相关库 ：

import torch
from torch import nn
from torch.utils.data import TensorDataset, Dataset, DataLoader
from torch.optim import SGD, Adam
device = 'cuda' if torch.cuda.is_available() else 'cpu'
from torchvision import datasets
import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline