第3次作业：卷积神经网络
【第一部分】视频学习心得及问题总结
视频学习心得：看完视频主要了解了卷积神经网络的基础部分，先了解了卷积神经网络的一些基本应用，然后了解了卷积神经网络和传统神经网络的区别，它采用局部关联参数共享的形式。然后学习了卷积的计算方式了解了卷积核、特征图、深度等概念，之后大致了解了一下池化和全连接。第二部分主要了解了集中典型的卷积网络如AlexNet、VGG、GoogleNet、ResNet，然后通过观察代码运行看到结果的差距。
问题总结：关于计算卷积参数量和特征图的部分不是很懂。
【第二部分】代码练习
运行代码加载数据项并显示数据集中的部分图像
然后创建网络并定义训练和测试函数
在小型全连接网络上的训练结果如图示所示：
可以看出来正确率是87%，并不是很高，
然后在卷积神经网络上训练：
正确率相比全连接网络提高了很多。
打乱像素后再在两个网络上分别训练：
全连接网络：
卷积神经网络：
可以看出来，打乱像素后，全连接网络没有什么影响，但是卷积神经网络受影响大，正确率大大下降
这是因为对于卷积神经网络，会利用像素的局部关系，但是打乱顺序以后，这些像素间的关系将无法得到利用。
二、CIFAR10 数据集分类
首先加载一些图片，然后定义网络、损失函数和优化器，然后经过了长达三分钟的网络训练
接下来开始测试，提取八张图片，然后把图片输入模型，观察结果
发现除了第一张cat识别成了ship，其他都对了，还是可以的。
最后再看网络在整个数据集上的表现：
可以看到正确率为63%，不算很低，但也不算高，还有很大的进步空间。
三、使用 VGG16 对 CIFAR10 分类
先定义dataloader，然后定义vgg网络，初始化网络，然后训练网络，代码和前面几个都是一样的
验证准确率之后
发现正确率从63%提升到了85%，提升了非常多，性能提升很多。