卷积神经网络与词嵌入：原理、实践与挑战
1. 卷积神经网络相关资源与数据集
在卷积神经网络（CNN）领域，有许多重要的研究和实用的数据集。Yann LeCun 等人的相关论文对卷积核的学习和反向传播进行了深入探讨，其中 [LBBH98] 是更全面的参考。Google 关于 Mnist 数字识别的教程也对理解卷积神经网络提供了帮助。
对于想要进一步实践的人，有几个不错的数据集可供选择：
-CFAIR 10 数据集：这是一个十类图像分类任务，与 Mnist 不同的是，它要识别的对象更复杂，如飞机、猫、青蛙等。图像为彩色，背景复杂，且待分类对象未居中，图像尺寸为 [32, 32, 3]。该数据集约有 60,000 张图像，可从 [Kri09] 下载，还有在线 Google 教程可用于构建相关神经网络。
-Imagenet 大规模视觉识别挑战赛数据集（ILSVRC）：这是一个更具挑战性的数据集，包含 1000 种图像类型。在过去六七年里，它一直被用于计算机视觉研究的年度竞赛。2012 年是神经网络的重要一年，Alexnet 深度学习程序赢得了比赛，这是神经网络程序首次夺冠。以下是历年比赛的 top - 5 得分情况：
|年份|top - 5 得分|
| ---- | ---- |
|2012|15.5%|
|2013|11.2%|
|2014|6.7%|
|2015|3.6%|
|人类|5 - 10%|
从这些数据可以看出，随着时间的推移，神经网络在图像识别任务上的表现越来越好，甚至超过了人类的平均水平。
