神经网络学习笔记——利用pytorch搭建卷积神经网络（CNN）

目录

一、简介

二、隐藏层介绍

        1、卷积层（Convolutional layer）

        2、池化层（Pooling layer）

        3、全连接层

        4、具体实现代码

一、简介

        卷积神经网络（Convolutional Neural Network，CNN）是一类包含卷积计算且具有深度结构的前馈神经网络（Feedforward Neural Networks），是深度学习的代表算法之一。

        其结构主要分为输入层、隐藏层和输出层。

        对于卷积神经网络而言，其输入层、输出层与平常的神经网络无异。但其隐藏层可以分为三个部分，分别是卷积层（对输入数据进行特征提取）、池化层（特征选择和信息过滤）和全连接层（等价于传统前馈神经网络中的隐藏层）。

二、隐藏层介绍

        1、卷积层（Convolutional layer）

        卷积将输入图像放进一组卷积滤波器，每个滤波器激活图像中的某些特征。

        卷积过程可以提取特征，卷积神经网络是根据特征来完成分类的。

        在Pytorch中，卷积层重要的函数是（二维卷积）：

        self.conv2d =nn.Conv2d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1,groups=1,bias=True,padding_mode='zeros')，其中：

        1、in_channels：是输入的四维张量[N, C, H, W]中的C了，即输入张量的channels数。这个形参是确定权重等可学习参数的shape所必需的。

        2、out_