本文介绍了分类任务与卷积神经网络的基本原理。分类任务需使用独热编码表示类别，通过交叉熵损失计算输出与实际值的差异。卷积神经网络通过卷积核提取特征图，配合池化操作降低维度，解决图像分类问题。文章详细解释了卷积运算、padding、步长等概念，并介绍了经典模型AlexNet（采用ReLU、Dropout等技术）和ResNet（引入1×1卷积和残差连接解决梯度消失问题）。最后指出全连接层与卷积层的关系，

如何使用无标签数据。如图当模型进过一定训练且拥有一定准确率后，可以将无标签数据投入模型中进行预测，将预测结果作为真实标签用于模型的进一步训练。某点的计算梯度并不完全等于当前点的梯度，而是如公式所示不仅要考虑当前点的梯度，同时还要考虑前点的梯度值。已经训练好的模型提取出了优秀的图片特征，计算好了相关参数，因此我们可以直接利用已经训练好的编码器，再使用自己的分类头。为了解决这一问题，在训练之初就将图片

本文介绍了分类任务与卷积神经网络的基本原理。分类任务需使用独热编码表示类别，通过交叉熵损失计算输出与实际值的差异。卷积神经网络通过卷积核提取特征图，配合池化操作降低维度，解决图像分类问题。文章详细解释了卷积运算、padding、步长等概念，并介绍了经典模型AlexNet（采用ReLU、Dropout等技术）和ResNet（引入1×1卷积和残差连接解决梯度消失问题）。最后指出全连接层与卷积层的关系，

如何使用无标签数据。如图当模型进过一定训练且拥有一定准确率后，可以将无标签数据投入模型中进行预测，将预测结果作为真实标签用于模型的进一步训练。某点的计算梯度并不完全等于当前点的梯度，而是如公式所示不仅要考虑当前点的梯度，同时还要考虑前点的梯度值。已经训练好的模型提取出了优秀的图片特征，计算好了相关参数，因此我们可以直接利用已经训练好的编码器，再使用自己的分类头。为了解决这一问题，在训练之初就将图片