CNN-卷积神经网络

卷积神经网络（Convolutional Neural Network, CNN）是一种专门用于处理网格状数据（如图像、视频、音频、时间序列）的深度学习模型。其核心思想是通过局部连接、权重共享和层次化特征提取，自动学习数据的空间或时间层次结构。生物学基础：受视觉皮层中神经元只响应局部刺激的启发数学实现：每个神经元仅与前一层局部区域连接（而非全连接）优势：大幅减少参数量（如5×5局部连接 vs 全连接）保留空间局部相关性适合处理平移不变特征原理：同一卷积核在输入的不同位置使用相同参数计算优势：参数量从O(n²

滑动窗口方式除了计算量比较大，还有个问题就是窗口是离散的，所以大概率不会有窗口完美框到待识别物体，并且可能物体本身也不是正方形，因此单纯的滑动窗口无法准确给出边界。YOLO(you only look once)算法解决了上面问题，并且替换了滑动窗口。它将图像等分成n×n的格子，以下图为例3×3，然后识别3类物体，标签为8维数据，P_c每个格子是否有Object，有的话中心点坐标b_x、b_y，框的高度b_h，框的宽度b_w，softmax结果3个，然后训练。

完整代码 import torch import torch.nn as nn import torch.utils.data as Data import torchvision # 数据库模块 import os import matplotlib.pyplot as plt from matplotlib import cm import numpy as np torch.manual_seed(1) # reproducible # Hyper Parameters EPOCH

概念 人工神经网络（Artificial Neural Networks，ANN）是一种模拟生物神经系统的结构和行为，进行分布式并行信息处理的算法数学模型。ANN通过调整内部神经元与神经元之间的权重关系，从而达到处理信息的目的。而卷积神经网络（Convolutional Neural Network，CNN）是一种前馈神经网络，是一种深度学习模型，它由若干卷积层和池化层组成，尤其在图像处理方面CNN的表现十分出色。 卷积神经网络与传统多层神经网络对比 传统意义上的多层神经网络是只有输入层、隐藏层、输出层