"基于CNN的实验报告：卷积神经网络构成与训练"

实验报告标题：基于CNN的LeNet5和ResNet18网络训练实验报告 实验目的和要求： 本实验的目的是通过使用卷积神经网络（CNN）的基本构成，使用LeNet5和ResNet18两种网络结构进行训练，以对比不同网络结构对图像分类任务的性能影响。实验要求包括：了解卷积神经网络的基本构成，熟悉卷积层、池化层和全连接层的原理，掌握LeNet5和ResNet18网络的具体结构和参数设置。 卷积神经网络基本构成： 1. 卷积层：通过使用卷积核在输入通道上进行滑动计算，提取特征信息。 2. 池化层：对卷积层的输出进行下采样，减小特征图的尺寸，降低计算量。 3. 全连接层：将池化层输出的特征图展平后，连接到全连接神经网络中，进行分类任务。 实验内容和原理： 1. LeNet5神经网络：LeNet5是一个经典的卷积神经网络结构，包括卷积层、池化层和全连接层。通过使用MNIST数据集进行训练和测试，评估LeNet5在图像分类任务上的性能。 2. ResNet18网络：ResNet18是一个深度残差网络结构，通过使用残差块的方式解决深层网络训练中的梯度消失问题，提高了网络的性能和收敛速度。同样使用MNIST数据集进行训练和测试，对比ResNet18与LeNet5在分类精度上的差异。 实验数据记录和处理： 1. MNIST数据集：MNIST是一个常用的手写数字图像数据集，包含60000个训练样本和10000个测试样本。将数据集进行预处理，包括归一化、分割训练集和测试集等步骤。 2. 使用LeNet5网络和ResNet18网络对MNIST数据集进行训练，记录训练过程中的损失值和准确率，并绘制训练曲线和测试曲线。 3. 对比LeNet5和ResNet18在训练过程和测试结果上的差异，分析不同网络结构对图像分类性能的影响。 综上所述，本实验通过使用LeNet5和ResNet18两种不同的卷积神经网络结构，训练和测试MNIST数据集，对比不同网络结构在图像分类任务上的性能差异。从实验结果中分析不同网络结构对训练精度、测试精度和收敛速度的影响，探讨不同网络结构适用的场景和优势，为深入研究卷积神经网络提供实验基础和参考依据。