超详细——CNN卷积神经网络教程（零基础到实战）
相关链接：
实战项目——基于pytorch的深度学习花朵种类识别项目完整教程（内涵完整文件和代码）
文章目录
CNN
知识点：
较好数据集：CIFAR-10 数据集
机器学习流程：数据获取、特征提取、建立模型、评估与应用
深度学习特征：数据特征决定了模型的上限、算法与参数选择决定了
神经网络作用：自动进行各种特征提取
神经网络目标：更新w权值矩阵
神经网络矩阵计算：都是内积计算，两矩阵对应位置相乘然后相加
神经网络包括两部分：前向传播和反向传播
回归任务：得分值->损失值
概率任务：概率值->损失值
pytorch是实现cnn的一种方法
如何逼近这个上限、预处理和特征提取是最核心的
K近邻算法：（有缺点，神经网络弥补了）
计算流程：
1.计算已知类别数据集中的点与当前点的距离
2.按照距离依次排序
3.选取与当前点距离最小的K个点
4.确定前K个点所在类别的出现概率
5.返回前K个点出现频率最高的类别作为当前点预测分类
k近邻进行的图像识别，用测试照片和众多训练照片各个对应像素点相减，得到的差值矩阵各个数据的总和最小的，则测试图片和该训练图片一种类别。
缺点：不能分清哪个是主体，哪个是背景，干扰太大
传统神经网络层级结构（nn，二维）：
隐层神经元数量越多效果越好，但太多容易出现过拟合
非线性变换用的激活函数
全连接层不能搞三维
数据预处理：
参数初始化：初始化权值矩阵（随机生成）
数据标准化：
前向传播：
神经网络基础线性函数：（计算得分值）
F（Xi，w，b）= w*xi + b
w 权值矩阵是不断优化出来的，初始化一个随机的
损失函数L：
计算损失值：
max（0，（该预测的各个类别的概率的最大值 - 正确种类的预测值 + 1 ））
0和该项取一个大值，+1 是容错值，即正确类别比其他类别的最大值要大1才行
R（w）是防止过拟合，即（1，0，0，0）和（0.25，0.25，0.25，0.25），前者可能恰好这张图拟合的很好，但肯定不行，加入平方项让其变成大值被去掉
softmax分类器->得各类概率值：
反向传播：
用结果对相关参数分别做偏导，可以得到该参数对结果的影响
卷积神经网络（cnn，三维）：
得到几个类别的概率值
输入层->卷积层（提取特征）->激活函数（非线性处理，卷积操作后必须有这一步）->（几次）池化层（压缩特征）->全连接层（加上权重，输入层和隐层的矩阵运算）
卷积神经网络架构：
卷积层：
一般卷积是3*3核，步长为1
要得到几个特征值就选几个卷积核
三个通道分别计算然后加在一起
相乘（做内积）后要 + b（偏置项）
绿色的为一次卷积得到的特征图（filter）
池化层：
推荐B站看一下唐宇迪讲解，很通俗易懂
4天教会你深度学习|Opencv+PyTorch+CNN+Python入门到实战课程
关注博主，分享学习教程，一起HappyCodeing