章节回顾

图像分类是计算机视觉领域中的主要任务之一。大多数图像分类模型的架构除了全连接层外，还包含卷积层。因此，理解卷积的原理、如何应用卷积操作以及该操作执行后的结果至关重要。除此之外，卷积层中还涉及其他一些术语和方法，本章将涵盖这些相关内容，并结合Python代码示例帮助加深理解。

本章我们将学习以下内容：

• 二维卷积操作
• 在二维卷积中应用填充（padding）和步长（stride）
• 卷积神经网络（CNN）
• 全连接神经网络与卷积神经网络的比较
• 池化类型（最大池化、平均池化）
• 二维卷积与三维卷积的区别
• 使用Python对二维矩阵实现卷积和池化操作
• 使用PyTorch内置函数构建CNN层
• 从零开始创建第一批图像数据
• 使用Matplotlib库可视化CNN层输出的特征图

本章重点讨论卷积神经网络。卷积神经网络的主要结构与全连接网络略有不同，但在训练过程中的关键机制（如反向传播）上仍存在共通之处。