卷积神经网络

参考：https://blog.csdn.net/yjl9122/article/details/70198357卷积神经网络（CNN）由输入层、卷积层、激活函数、池化层、全连接层组成，即INPUT（输入层）-CONV（卷积层）-RELU（激活函数）-POOL（池化层）-FC（全连接层）卷积层用它来进行特征提取，如下：输入图像是32*32*3，3是它的深度（即R、G、B），卷积层是一个5*5*3...

CNN最近发展概览，快速了解CNN各部分发展。

卷积神经网络的层级结构 数据输入层（Input Layer） 卷积层（Convolutional Layer） 激活层（Relu Layer） 池化层（Pooling Layer） 全连接层（FC Layer） 一、数据输入层 数据输入层主要是对原始数据进行初步处理，使卷积神经网络能有更好的效果。处理方法有： 灰度化： 图片一般是通过一个三维矩阵存储的，矩阵的大小为（width，heigh...

本文总结了关于卷积神经网络（CNN）的一些基础的概念，并且对于其中的细节进行了详细的原理讲解，通过此文可以十分全面的了解卷积神经网络（CNN），非常适合于作为Deep Learning的入门学习。下面就是本篇博客的全部内容！

2012年我在北京组织过8期machine learning读书会，那时“机器学习”非常火，很多人都对其抱有巨大的热情。当我2013年再次来到北京时，有一个词似乎比“机器学习”更火，那就是“深度学习”。本博客内写过一些机器学习相关的文章，但上一篇技术文章“LDA主题模型”还是写于2014年11月份，毕竟自2015年开始创业做在线教育后，太多的杂事、琐碎事，让我一直想再写点技术性文章但每每恨时间抽不开。然由于公司在不断开机器学习、深度学习等相关的在线课程，耳濡目染中，总会顺带着学习学习。

在卷积神经网络中，卷积操作是指将一个可移动的小窗口（称为数据窗口，如下图绿色矩形）与图像进行逐元素相乘然后相加的操作。这个小窗口其实是一组固定的权重，它可以被看作是一个特定的滤波器（filter）或卷积核。这个操作的名称“卷积”，源自于这种元素级相乘和求和的过程。这一操作是卷积神经网络名字的来源。上图这个绿色小窗就是数据窗口。简而言之，卷积操作就是用一个可移动的小窗口来提取图像中的特征。

这几年深度学习快速发展，在图像识别、语音识别、物体识别等各种场景上取得了巨大的成功，例如AlphaGo击败世界围棋冠军，iPhone X内置了人脸识别解锁功能等等，很多AI产品在世界上引起了很大的轰动。在这场深度学习革命中，卷积神经网络（Convolutional Neural Networks，简称CNN）是推动这一切爆发的主力，在目前人工智能的发展中有着非常重要的地位。 【问题来了】那什么是卷积神经网络（CNN）呢？ 1、什么是神经网络？ 这里的神经网络，也指人工神经网络（Artificial..

卷积神经网络基础知识:输入输出、网络结构、损失函数和评价指标。

torch.nn.CrossEntropyLoss(weight: Optional[torch.Tensor] = None, size_average=None, ignore_index: int = -100, reduce=None, reduction: str = ‘mean’) weight：（张量，可选）可以指定一个一维的Tensor，用来设置每个类别的权重。用C表示类别的个数，Tensor的长度应该为C。当训练集不平衡时该参数十分有用。 size_average:(最新的版本已弃用)（b

其中， TP：样本为正，预测结果为正； FP：样本为负，预测结果为正； TN：样本为负，预测结果为负； FN：样本为正，预测结果为负。 准确率、精准率和召回率的计算公式如下： 准确率（accuracy）： (TP + TN )/( TP + FP + TN + FN) 精准率（precision）：TP / (TP + FP)，正确预测为正占全部预测为正的比例 召回率（recall）： TP / (TP + FN)，正确预测为正占全部正样本的比例 F-measure：precision和recall调和均.

就是数据加载器，结合了数据集和取样器，并且可以提供多个线程处理数据集。在训练模型时使用到此函数，用来把训练数据分成多个小组，此函数每次抛出一组数据。直至把所有的数据都抛出。就是做一个数据的初始化。 生成迭代数据非常方便，请看如下示例： """ 批训练，把数据变成一小批一小批数据进行训练。 DataLoader就是用来包装所使用的数据，每次抛出一批数据 """ import torch import torch.utils.data as Data BATCH_SIZE = 5 x =

Pytorch损失函数NLLLoss()与CrossEntropyLoss()的关系 import torch input=torch.randn(3,3) soft_input = torch.nn.Softmax(dim=1) input1=torch.log(soft_input(input)) print("对input做Softmax,然后取log#############") print(torch.log(soft_input(input))) loss=torch.nn.NLLLos