卷积神经网络基础 如图: 代码实现: X和K为输入项,X为数据,K为卷积核。 函数中间Y为结果。 意义:卷积是用于处理图像的,图像处理之后,是为了特征显化 多通道输入 因为是处理图像,图像每个像素都有RGB三个值,所以就需要多通道输入,对应的核可以相同,也可以不同,结果可以是一个,也可以是多个。 其目的在于:提取不同的特征 1×1卷积层 这个是用来减少通道的。让特征显化。 LeNet 说白了,就是卷积层(其中包含池化)和全连接层叠在一起。 其中,linear就是全连接,conv2d,pool就是池化。其他的就是激活函数。 卷积神经网络进阶 之前讲到LeNet结构并不是特别好,这里有几