LeNet：第一个卷积神经网络
「识别手写数字」是一个经典的机器学习任务，有著名的 MNIST 数据集。我们曾经利用多层感知机实现了 90+% 的准确率，本文将介绍卷积神经网络 LeNet，主要参考 这篇英文博客 的讲解。
LeNet 是几种神经网络的统称，它们是 Yann LeCun 等人在 1990 年代开发的。一般认为，它们是最早的卷积神经网络（Convolutional Neural Networks, CNNs）。模型接收灰度图像，并输出其中包含的手写数字。LeNet 包含了以下三个模型：
- LeNet-1：5 层模型，一个简单的 CNN。
- LeNet-4：6 层模型，是 LeNet-1 的改进版本。
- LeNet-5：7 层模型，最著名的版本。
CNN 的设计是为了模拟人眼的感知方式。传统的 CNN 一般包含以下三种层：
- 卷积层（convolution layers）
- 降采样层（subsampling layers），或称池化层（pooling layers）
- 全连接层（fully connected layers）
它们有各自的用途，通过排列这些层，我们能实现各种 CNN。接下来，我们分别介绍这三种部件。
https://blog.csdn.net/fengbingchun/article/details/125462001
https://blog.csdn.net/fengbingchun/article/details/126072998
https://github.com/fengbingchun/PyTorch_Test
https://github.com/bruceborgia/dive_into_DL
训练一个 GAN
本文记录了训练 GAN 来生成二次元头像的过程。我们先从网上获取二次元头像数据集，训练一个生成器、训练一个判别器，来获取生产二次元头像的网络。
数据集来源于李宏毅老师