第三次作业：卷积神经网络基础

[OUC软工高老师]

Part1  视频学习：学习专知课程《卷积神经网络》，主要内容包括：

• CNN的基本结构：卷积、池化、全连接
• 典型的网络结构：AlexNet、VGG、GoogleNet、ResNet

Part2  代码练习：需要使用谷歌的 Colab ，大家有任何问题可以随时在群里 AT 我。有部分同学已经做过这部分代码练习，可以略过。

• MNIST 数据集分类：构建简单的CNN对 mnist 数据集进行分类。同时，还会在实验中学习池化与卷积操作的基本作用。链接：https://github.com/OUCTheoryGroup/colab_demo/blob/master/05_01_ConvNet.ipynb
• CIFAR10 数据集分类：使用 CNN 对 CIFAR10 数据集进行分类，链接：https://github.com/OUCTheoryGroup/colab_demo/blob/master/05_02_CNN_CIFAR10.ipynb
• 使用 VGG16 对 CIFAR10 分类，链接：https://github.com/OUCTheoryGroup/colab_demo/blob/master/05_03_VGG_CIFAR10.ipynb

本周需要各个小组写一个学习博客，并回答下面的问题，博客链接在下面提交任务即可，时间截止为本周六（10月15日22：00）

本周写博客需要思考的问题：
1、dataloader 里面 shuffle 取不同值有什么区别？
2、transform 里，取了不同值，这个有什么区别？
3、epoch 和 batch 的区别？
4、1x1的卷积和 FC 有什么区别？主要起什么作用？
5、residual leanring 为什么能够提升准确率？
6、代码练习二里，网络和1989年 Lecun 提出的 LeNet 有什么区别？
7、代码练习二里，卷积以后feature map 尺寸会变小，如何应用 Residual Learning?
8、有什么方法可以进一步提升准确率？