Pytorch 是一门深度学习框架、和Keras、TensorFlow 一样，只不过Pytorch 使用上更像写 Python 代码一样；

以下只为后续的文章做铺垫，后续会点点铺开，

最后，会以具体案例或者代码全面做展示。

本文以及后续文章的目的是，综合基本的理论知识，体系的基于熟悉 Pytorch 为主，进行 AI 知识的应用。

--如若有不适当的地方，欢迎网友指证

基础介绍

卷积神经网络 CNN 是一种深度学习模型，可以学习完成图像分类和对象识别等任务。它们可以使用 卷积层 跟踪空间信息并学习提取特征。

过滤器以及其它相关：

傅里叶变换
高通滤波器
梯度和索贝尔过滤器
低通过滤器
高斯模糊
霍夫变换（霍夫空间）
哈尔特征
canny边缘检测器
角点检测器
膨胀和腐蚀（先膨胀后腐蚀、先腐蚀后膨胀）
K 均值分类
对象识别算法（ORB ，以及ORB的两个步骤 FAST-查找关键点、BRIEF算法-通过FAST后创建 特征向量）
HOG(方向梯度直方图)
丢弃和动量
复制

层级

使用 Pytorch 训练神经网络；数据处理流程包括的基本常用模块，如下：

卷积层：卷积层接收输入数据，通过过滤器过滤（比如：过滤图像）；

池化层：降低维度避免过拟合；

全连接层：扁平化输出；

之后根据全连接层的输出 （称为类别得分），可以根据这些得分提取出给定图像概率最高的类别！