21、深度学习图像分类与卷积神经网络入门

深度学习图像分类与卷积神经网络入门

1. 前期知识回顾

在之前的学习中，我们涉及了众多内容，从图像变换到激活函数的内部工作原理，具体包括：
- 生成包含300个微小简单图像的数据集。
- 理解数据的NCHW和NHWC形状的差异。
- 学习Torchvision及其内置数据集和模型架构。
- 使用Torchvision在PIL图像和Tensor之间进行转换。
- 执行数据增强操作，如旋转、裁剪和翻转图像。
- 对图像数据集进行归一化处理。
- 组合变换以用于数据集。
- 使用采样器进行数据集分割和处理不平衡数据集。
- 使用像素作为单个特征构建用于图像分类的浅层模型（逻辑回归）。
- 尝试通过添加额外的隐藏层来加深模型。
- 通过数学和代码认识到，在没有激活函数的情况下，更深的模型仍然等同于逻辑回归。
- 将隐藏层的权重可视化为像素和图像。
- 学习激活函数的作用，并了解常见的激活函数，如Sigmoid、TanH、ReLU、Leaky ReLU和PReLU。
- 使用激活函数使模型更有效，显著改善损失最小化效果。

2. 特征空间的概念

特征空间是特征所在的n维空间。例如，在之前的二元分类中使用两个特征时，特征空间是二维平面；使用25个特征时，特征空间是25维超平面。

3. 二维特征空间问题

现在我们考虑一个全新的二维数据集，包含2000个点，均匀分为两类：红色（负类）和蓝色（正类），这些点整齐地分布在两条不同的抛物线上。我们的目标是训练一个二元分类器，在两条曲线之间绘制决策边界。但在原始的二维特征