2️卷积神经网络（CNN）

import torch.nn as nn

Class Net (nn.Module):

    def __init__(self):
        super().__init__()
        self.conv1=nn.Conv2d(1,6,3)      ## 输入1通道，输出6通道，卷积核3*3的的一个卷积层
        self.conv2=nn.Conv2d(6,16,5)     ## 输入6通道，输出16通道，卷积核3*3的的一个卷积层
 
    def forward(self, x):
        x=F.max_pool2d(F.relu(self.conv1(x)),2)    ## 激活函数：转为非线性，最大值池化：降维
        x=F.max_pool2d(F.relu(self.conv2(x)),2)
        return x

卷积（求点积）

卷积过程：如下图，输入为5x5 蓝色矩阵，卷积核或称为滤波器（深色）为3x3。
将卷积核矩阵对应到输入矩阵左上角3x3的区域（感受野）。

将卷积核矩阵中的每个值分别与输入矩阵内的值相乘，再叠加，最后得出1个值，作为输出值。
移动卷积核1步（步长）
再按上述方法，点积求和，作为第二个值，以此类推。
步长为1，卷积后的矩阵边长尺寸：输入矩阵边长-卷积核边长+1 （5-3+1）

加偏置 bias

生成 Feature map

使用激活函数ReLu

将小于0的置为0
生成新的 Feature map

池化层 Pooling：降低维度（参数）

Max polling: 每个窗口内个元素，取最大值
Mean Pooling：平均值
Sum pooling：取和

展平

Flattening, 转成1维

全链接（神经网络部分）

将展平的值作为神经网络的输入层
隐藏层，有ReLu
输出层

激活函数（非线性）

Sigmoid: 输出为0-1之间的值，用于二分类。
SoftMax: 输出为0-1之间的值，总和为1，用于多分类。

成本计算（训练部分）

将输出的值（概率）放入损失函数, 得出结果越小越好。
损失函数：Log loss function, MSE（不用）。
通过训练，找出最佳。
- 卷积部分的滤波器，偏置项
- 神经网络部分的权重，偏置

优化器

SGD
Adam

Refences:

Previous人工智能，机器学习，深度学习和神经网络的区别 Next3D CNN sample code

Last updated 6 months ago

import torch.nn as nn Class Net (nn.Module): def __init__(self): super().__init__() self.conv1=nn.Conv2d(1,6,3) ## 输入1通道，输出6通道，卷积核3*3的的一个卷积层 self.conv2=nn.Conv2d(6,16,5) ## 输入6通道，输出16通道，卷积核3*3的的一个卷积层 def forward(self, x): x=F.max_pool2d(F.relu(self.conv1(x)),2) ## 激活函数：转为非线性，最大值池化：降维 x=F.max_pool2d(F.relu(self.conv2(x)),2) return x