深度学习与PyTorch入门实战 - 38. 卷积神经网络

• 语言: 中文（简体）
• 格式: .pdf
• 来源: github.com/dragen1860

摘要

文档介绍了卷积神经网络（CNN）的基础知识，包括输入和输出的形状变化。输入为[b, 3, 28, 28]，通过多个.Size为[3, 3, 3]的核进行卷积操作，输出为[b, 16, 28, 28]。多核的引入可以增加特征的多样性。文档还提到了经典的CNN模型LeNet-5，并展示了卷积操作的几何动画演示。

AI总结

《深度学习与PyTorch入门实战 - 38. 卷积神经网络》

本课主要介绍了卷积神经网络（CNN）的基本概念和相关参数，以下是核心内容的总结：

1. **卷积神经网络简介**：
- 主讲人：龙良曲
- 卷积神经网络是深度学习中一种重要的神经网络结构，广泛应用于图像处理、视频分析等领域。

2. **核心参数与术语**：
- **输入通道数（Input_channels）**：表示输入数据的通道数。
- **核通道数（Kernel_channels）**：表示卷积核的数量。
- **核大小（Kernel_size）**：表示卷积核的尺寸。
- **步长（Stride）**：表示卷积核在输入数据上滑动时的步长。
- **填充（Padding）**：表示在输入数据边缘添加的零值，以控制输出的尺寸。

3. **数据示例**：
- 输入数据尺寸：`x: [b, 3, 28, 28]`，其中`b`为批次大小，`3`为通道数，`28x28`为图像尺寸。
- 单个卷积核尺寸：`k: [3, 3, 3]`。
- 多个卷积核尺寸：`multi-k: [16, 3, 3, 3]`，表示16个3x3的卷积核。
- 偏置：`bias: [16]`，每个卷积核对应一个偏置项。
- 输出数据尺寸：`out: [b, 16, 28, 28]`。

4. **多核卷积**：
- 使用多个卷积核可以提取不同类型的特征图。
- 每个卷积核会生成一个特征图，综合多个特征图以获取更丰富的信息。

5. **相关内容**：
- 提到了动态图示（通过链接提供），帮助更直观地理解卷积操作。
- 提到下一课将介绍“池化层”。

总结：本课通过参数定义和数据示例，详细讲解了卷积神经网络的基本概念和底层运算机制，为后续学习池化层和经典模型（如LeNet-5）奠定了基础。