这篇具有很好参考价值的文章主要介绍了【AI】《动手学-深度学习-PyTorch版》笔记（十八）：卷积神经网络模型(LeNet、AlexNet、VGG、NiN)。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。
发布时间：1989年
模型目的：识别手写数字
文章来源：https://www.toymoban.com/news/detail-654976.html
1）nn.Conv2d：卷积层文章来源地址https://www.toymoban.com/news/detail-654976.html
torch.nn.Conv2d(in_channels, out_channels, kernel_size, stride=1, paddin到了这里，关于【AI】《动手学-深度学习-PyTorch版》笔记（十八）：卷积神经网络模型(LeNet、AlexNet、VGG、NiN)的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！
本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处： 如若内容造成侵权/违法违规/事实不符，请点击违法举报进行投诉反馈，一经查实，立即删除！
返回一维张量（一维数组），官网说明，常见的三种用法如下 tensor.shape：查看张量的形状 tensor.reshape：返回改变形状后的张量，原张量不变
本文为作者阅读学习李沐老师《动手学深度学习》一书的阶段性读书总结，原书地址为：Dive into Deep Learning。 网络结构 实现代码 网络特征 最早发布的卷积神经网络之一。 每个卷积块中的基本单元是一个卷积层、一个sigmoid激活函数和平均汇聚层。 网络结构 实现代码 网络特
线性函数如下： y ^ = w 1 x 1 + . . . + w d x d
标量就是我们常见的单个数字（包括整数、小数等等），可以使用只有一个元素的张量表示 用小写字母表示，如：x、y、z
图像增强可以扩展训练样本数量、减小对某个属性的依赖。比如，裁剪图像，可以减少模型对对象出现位置的依赖；调整亮度、颜色等因素来降低模型对颜色的敏感度等 头文件 %matplotlib inline：图表直接嵌入到Notebook中，本人使用的jupyter-lab 显示图片
在前面介绍过，使用softmax回归来处理分类问题时，每个输出通过都一个仿射函数计算，网络结构如下，输入和输出之间为全链接层： 多层感知机就是在输入和输出中间再添加一个或多个全链接层，将中间的层称为“隐藏层”，下图为添加了一个全链接层的网络结构： 现实世
f ′ ( x ) = lim h → 0 f (
多层感知机对图像处理是百万维度，模型不可实现。 如果要在图片中找到某个物体，寻找方法应该和物体位置无关。 适合 计算机视觉 的神经网络架构： 平移不变性 ：不管检测对象出现在图像中的哪个位置，神经网络前几层应该对相同图像区域有相似的反应。 局部性 ：神
1）连续值与离散值 线性回归模型，适用于输出为连续值的情景。 softmax回归模型，适用于输出为离散值的情景。例如图像类别，就需要对离散值进行预测。softmax回归模型引入了softmax运算，使输出更适合离散值的预测和训练。 2）输出个数 线性回归模型，输出单元为1个，而
NiN块使用卷积层加两个1x1卷积层 后者对每个像素增加了非线性性 NiN使用全局平均池化层来替代VGG和AlexNet中的全连接层 不容易过拟合，更少的参数个数 Inception块由四条并行路径组成。 前三条路径使用窗口大小为1x1、3x3和5x5的卷积层，从不同空间大小中提取信息。 中间的两条
