CNN常见问题点

文章结构概览

• • • 前言

      • CNN原理
      • CNN的结构
      • CNN卷积层的基本参数
      • 采坑问题系列
      • • 1.深度学习为何要“深”？

    • 2.CNN不适用于哪些问题？

    • 3.batch size的设定与网络之间的关联？

    • 4.kernel_size的尺寸如何确定？

    • 5.每一层卷积是否仅能使用单一尺寸的卷积核？

    • 6.为何需要引入Batch Normalization（BN）？

    • 7.为何必须采用非线性激活函数？

    • 8.怎样挑选合适的激活函数？

    • 9.池化层的功能及其配置方式？

    • 10.全连接层的作用是什么？

      • 尚未解决的采坑问题

前言

初次接触深度学习的过程中，卷积神经网络（CNN）是无法回避的重要内容。本文旨在记录在利用CNN进行分类任务实践中所遇到的若干问题及注意事项。

• 本研究采用的是Pytorch 1.1.0版本，相关Pytorch资料可参考其官方网站及中文社区平台。同时配置了CUDA 10.1版本以实现GPU加速（在深度学习领域，缺乏GPU资源将极大限制研究进展）。

CNN原理概述

CNN网络是一种专门用于处理局部与整体关联性的计算架构，广泛应用于图