12、PyTorch教程---卷积神经网络（Convolutional Neural Network，CNN）

深度学习是机器学习的一个分支，被视为研究人员近几十年来采取的重要步骤。深度学习实现的示例包括图像识别和语音识别等应用。

两种重要类型的深度神经网络如下所示 -

卷积神经网络
循环神经网络
在本章中，我们将重点关注第一种类型，即卷积神经网络（CNN）。

卷积神经网络
卷积神经网络旨在通过多层数组处理数据。这种类型的神经网络用于图像识别或人脸识别等应用。

CNN与任何其他普通神经网络的主要区别在于，CNN将输入作为二维数组，并直接在图像上操作，而不是关注其他神经网络关注的特征提取。

CNN的主要方法包括解决识别问题。像谷歌和Facebook这样的顶级公司已经投资于识别项目的研究和开发，以更快地完成任务。

每个卷积神经网络包括三个基本概念 -

1. 局部响应字段
2. 卷积
3. 池化
让我们详细了解这些术语。

局部响应字段
CNN利用输入数据中存在的空间相关性。神经网络的并行层中的每个连接都由某些输入神经元组成。这个特定区域被称为局部响应字段。它只关注隐藏神经元。隐藏神经元将处理特定字段内的输入数据，而不会意识到特定边界之外的变化。

生成局部响应字段的示意图如下所示 -

卷积
在上图中，我们观察到每个连接都学习了与隐藏神经元相关联的权重，并在从一层移动到另一层时进行了相应的连接。在这里，个体神经元不断地进行移动。这个过程被称为“卷积”。

从输入层到隐藏特征图的连接映射被定义为“共享权重”，包括的偏置被称为“共享偏置”。

池化
卷积神经网络使用池