21、卷积神经网络：从图像分类到特征检测

卷积神经网络：从图像分类到特征检测

1. 图像分类与深度学习基础

在图像分类任务中，深度学习发挥着重要作用。计算机视觉是深度学习应用最为广泛的领域之一，有许多带注释的图像数据集可供使用，其中很多可以通过 torchvision 访问。 Datasets 和 DataLoaders 为加载和采样数据集提供了简单而有效的抽象。

对于分类任务，在网络输出上使用 softmax 函数可以产生满足概率解释要求的值。在这种情况下，理想的损失函数是将 softmax 的输出作为非负对数似然函数的输入，在PyTorch中， softmax 和这种损失的组合被称为交叉熵。

我们可以将图像视为像素值的向量，使用全连接网络来处理它们，就像处理其他数值数据一样。然而，这样做很难利用数据中的空间关系。简单的模型可以使用 nn.Sequential 创建。

2. 全连接网络的问题

在之前的尝试中，我们构建了一个简单的神经网络，它可以拟合（或过拟合）数据，这得益于线性层中可用于优化的众多参数。但该模型存在问题，它更擅长记忆训练集，而不是泛化鸟类和飞机的特征。

由于需要全连接设置来检测图像中鸟类或飞机的各种可能平移，我们面临两个问题：一是参数过多，这使得模型更容易记忆训练集；二是缺乏位置独立性，这使得模型难以泛化。虽然我们可以通过使用各种重新裁剪的图像来扩充训练数据，试图强制模型泛化，但这并不能解决参数过多的问题。

3.