从原理到实践：BP神经网络与卷积神经网络的对比分析与应用场景

1次阅读

共计 1698 个字符，预计需要花费 5 分钟才能阅读完成。

BP 神经网络（Backpropagation Neural Network）是神经网络的基础形式，起源于 20 世纪 80 年代。它通过反向传播算法调整权重，逐渐优化网络性能。BP 网络结构简单，由输入层、隐藏层和输出层组成，适合处理结构化数据。

卷积神经网络（Convolutional Neural Network，CNN）则诞生于 20 世纪 90 年代，但直到 2012 年 AlexNet 的成功才引起广泛关注。CNN 通过卷积层、池化层等特殊结构，专门处理具有网格结构的数据，如图像、音频等。

全连接结构：每一层神经元都与下一层所有神经元相连
使用反向传播算法进行训练
需要手动设计特征提取
对输入数据的排列顺序不敏感

局部连接：卷积核只与输入数据的局部区域连接
权值共享：同一卷积核在不同位置使用相同参数
自动特征提取：通过卷积层自动学习特征
对输入数据的空间结构保持敏感

import torch
import torch.nn as nn
import torch.optim as optim

class BPNet(nn.Module):
    def __init__(self):
        super(BPNet, self).__init__()
        self.fc1 = nn.Linear(784, 512)  # 输入层到隐藏层
        self.fc2 = nn.Linear(512, 10)   # 隐藏层到输出层
        self.relu = nn.ReLU()

    def forward(self, x):
        x = x.view(-1, 784)  # 展平输入
        x = self.relu(self.fc1(x))
        x = self.fc2(x)
        return x

class CNN(nn.Module):
    def __init__(self):
        super(CNN, self).__init__()
        self.conv1 = nn.Conv2d(1, 32, 3, 1)  # 输入通道 1，输出通道 32，卷积核 3x3
        self.conv2 = nn.Conv2d(32, 64, 3, 1)
        self.dropout = nn.Dropout(0.5)
        self.fc1 = nn.Linear(9216, 128)
        self.fc2 = nn.Linear(128, 10)

    def forward(self, x):
        x = F.relu(self.conv1(x))
        x = F.relu(self.conv2(x))
        x = F.max_pool2d(x, 2)
        x = torch.flatten(x, 1)
        x = self.dropout(x)
        x = F.relu(self.fc1(x))
        x = self.fc2(x)
        return x

我们在 MNIST 手写数字数据集上测试了两种网络的性能：