《Python神经网络入门：零基础保姆级路线图（附全系列免费源码）》

Python神经网络入门零基础保姆级路线图全系列免费 · 持续更新中 专栏简介 文章列表 第二阶段卷积神经网络CNN—— 为什么要抛弃全连接 文章列表 如何获取最新更新 专栏简介本专栏使用纯NumPy从零实现神经网络不依赖 PyTorch/TensorFlow 等任何深度学习框架旨在帮助大家透彻理解前向传播、反向传播、梯度下降等核心算法的底层数学原理。所有代码均已开源可自由复制运行。收藏本文随时获取最新更新 文章列表第1篇分类器 —— 神经网络最朴素的起点第2篇从 XOR 死穴到生物神经元 —— 为什么单一直线搞不定要堆一堆神经元第3篇矩阵乘法真是神经网络的偷懒神器第4篇神经网络误差反向传播完全图解第5篇误差算出来了权重到底怎么改第6篇从零开始敲出你的第一个神经网络第7篇跑通 MNIST 手写数字识别验证训练成果与测试准确率第8篇全连接网络的“死穴“—— 为什么图像任务必须换思路CNN 第二阶段卷积神经网络CNN—— 为什么要抛弃全连接全连接网络MLP在 MNIST 上虽然跑通了但面对真正的图像任务它有两个致命的先天缺陷。这个阶段我们不急着写代码先用两篇文章把 CNN 的出场理由和核心思想彻底聊透然后再用纯 NumPy 从零手撕经典的 LeNet-5后续会专门说明如何使用pytorch框架实现。 文章列表状态文章标题 核心内容 即将发布第9篇卷积核到底在卷什么—— CNN 的核心思想与作用• 局部感受野为什么只看一小块反而更聪明• 权值共享一个探测器扫遍全图参数瞬间暴跌• 平移不变性为什么 CNN 对位置偏移免疫•用直观例子说明 CNN 如何解决第 8 篇的痛点修正原稿误写为第9篇 即将发布第10篇手撕卷积层Conv2D前向传播 —— 用 NumPy 实现滑窗与互相关运算• 终于开始写代码彻底搞懂卷积核在图像上滑动的底层实现• 代码实现for循环模拟滑动窗口• 对比 PyTorch 的F.conv2d验证正确性 即将发布第11篇卷积层的反向传播有多绕—— 旋转 180° 的卷积核• CNN 最难理解的难点图解梯度如何在卷积层回传• 为什么误差要旋转 180°• 用 NumPy 实现卷积层的反向传播 即将发布第12篇池化层Pooling—— 为什么要压缩图像• MaxPooling 和 AveragePooling 的作用与区别• 池化的前向传播简单粗暴的取最大值/平均值• 池化的反向传播最大值独享梯度平均值均分梯度• 用 NumPy 完整实现 MaxPooling 的前向与反向 即将发布第13篇组装经典 LeNet-5 —— 用纯 NumPy 跑通第一个 CNN 模型• LeNet-5 结构详解Conv1 → Pool1 → Conv2 → Pool2 → FC1 → FC2 → 输出• 将卷积层、池化层、全连接层组装起来• 在 MNIST 上验证 CNN 的威力对比 MLP 的准确率提升 即将发布第14篇CNN 调参实战 —— Padding、Stride 与特征图尺寸变化• 告别死记硬背公式直观理解每一层的输出尺寸如何变化• Padding补零的前世今生• Stride步长越大特征图越小• 手把手教你设计每一层的参数 如何获取最新更新点击右上角「关注」不错过每一篇新教程收藏本文专栏更新后我会在此同步追加新链接如有疑问欢迎在对应文章评论区留言如果本专栏对你有帮助欢迎点赞、收藏、分享