PyTorch生成式人工智能（4）——卷积神经网络(Convolutional Neural Network, CNN)详解

PyTorch生成式人工智能（4）——卷积神经网络详解

• 0. 前言
• 1. 全连接网络的缺陷
• 2. 卷积神经网络基本组件
  • 2.1 卷积
  • 2.2 步幅和填充
  • 2.3 池化
  • 2.3 卷积神经网络完整流程
• 3. 卷积和池化相比全连接网络的优势
• 4. 使用 PyTorch 构建卷积神经网络
  • 4.1 使用 PyTorch 构建 CNN 架构
  • 4.2 验证 CNN 输出
• 小结
• 系列链接

0. 前言

卷积神经网络 (Convolutional Neural Network, CNN) 是一种非常强大的深度学习模型，广泛应用于图像分析、目标检测、图像生成等任务中。CNN 的核心思想是卷积操作和参数共享，卷积操作通过滑动滤波器(也称为卷积核)在输入数据上进行元素级的乘积和求和运算，从而提取局部特征。通过多个滤波器的组合，CNN 可以学习到不同层次的特征表示，从低级到高级的抽象特征。本节从传统全连接神经网络的缺陷为切入点，介绍了卷积神经网络的优势及其基本组件，并使用 PyTorch 构建卷积神经网络。

1. 全连接网络的缺陷

在深入研究卷积神经网络 (Convolutional Neural Network, CNN) 之前，我们首先介绍传统深度神经网络的主要缺陷。传统深度前馈神经网络(也称全连接网络)的局限性之一是它不满足平移不变性，也就是说，在全连接网络看来，图像右上角有猫与位于图像中心的猫被视为不同对象，即使这是同一只猫。另外，全连接网络受对象大小的影响，如果训练集中大多数图像中的对象较大，而训练数据集图像中包含相同的对象但占据图像画面的比例较小，则全连接网络可能无法对图像进行正确分类。
接下来，我们通过具体示例来了解全连接网络的缺陷，继续使用在