Python机器学习项目：使用NumPy创建基本CNN网络的大作业源码.zip

简介：
本资源包含一个利用Python及NumPy库构建基础卷积神经网络（CNN）的完整项目代码。适用于深度学习入门者实践操作与学习，涵盖数据预处理、模型搭建及训练等环节。 在本项目中使用Python的NumPy库构建了一个原始CNN网络，并实现了卷积层、池化层以及全连接层。通过公式推导与代码编写加深了对卷积操作、池化过程及反向传播等概念的理解。之后采用主流深度学习框架PyTorch来实现图像识别功能，将自己搭建的CNN结构进行训练并测试结果。 所用网络架构如下： - 卷积层：`self.conv1 = nn.Conv2d(in_channels=1, out_channels=8, kernel_size=3, padding=0, stride=1)` - 池化层：`self.maxpool = nn.MaxPool2d(kernel_size = 2, stride=None, padding=0)` - 全连接层：`self.fc1 = nn.Linear(13 * 13 * 8, 512)` 和 `self.fc2 = nn.Linear(512, 10)` 在经过三个epoch的测试后发现，相较于使用NumPy实现的CNN网络，基于PyTorch框架的版本具有更高的稳定性和更快的训练速度。这是因为PyTorch能够将输入数据转换为张量形式并传输至GPU中进行加速计算，并且采用了SGD优化器来加快损失函数（loss）收敛的速度。