学习路线— 1、图像分类 2、目标检测 3、图像分割
进tensorflow官网 用tensorflow.google.cn
1.1卷积神经网络基础
- 全连接层：BP算法（信号的前向传播和误差的反向传播）
- 卷积层：卷积核（激活函数sigmoid，Relu，softmax）
- 池化层：对数据进行稀疏处理，减少数据运算量（上采样，下采样）
- 误差计算：Cross Entropy Loss交叉熵损失（多分类softmax，二分类sigmoid）
- 误差反向传播
- 权重的更新：优化器（SGD，SGD+Momentum，Adagrad，RMSProp，Adam）
2.1PyTorch_demo
- pytorch Tensor的通道排列 [batch,channel,height,width]
- N=(W-F+2P)/S+1
LeNet网络
训练cifar-10训练集
AlexNet网络结构
花分类数据集（
将flower数据集改成自己的数据集，在用split将数据集分成训练集和测试集，然后改下train里面的训练集参数，就可以直接实现一些简单的数据集分类）
VGG网络详解
通过堆叠多个3×3的卷积核来替代大尺度卷积核（在拥有相同感受野的前提下能够减少所需参数）
CNN感受野：在卷积神经网络中，决定某一层输出结果中一个元素所对应的输入层的区域大小，被称为感受野（receptive field），通俗的解释就是，输出feature map上一个单元对应输入层上区域的大小。
感受野计算公式：
F(i)为第i层感受野，Stride为第i层的步距，Ksize为卷积核或池化核尺寸
GoogLeNet网络详解
ResNet详解
后续再更
Original: https://blog.csdn.net/m0_56015025/article/details/121879160
Author: #########
Title: 深度学习图像处理入门
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/645759/
转载文章受原作者版权保护。转载请注明原作者出处！