卷积神经网络中，训练集、测试集、验证集实现其相应功能所进行的具体操作是什么？(语言-python)

Question

#不解的地方
1.训练集经过卷积、池化、激活提取了图片特征之后，在全链接层中y=w1x+w2x+b(这里先将模型定简单点),x是不是就相当于提取的特征，y就是训练集中已知的标签呢？那训练集迭代求w1、w2和b是不是就是通过反向传播迭代求出的？
2.验证集的作用是用来调整模型超参数的，也是在经过卷积、池化、激活后，到全链接层之后y=w1x+w2x+b，那这时的y是不是也是已知的标签，x是提取的特征？那w1和w2上面已经求出来了，算是已知的，这样整个模型的参数都是已知的，这怎样调整呢？如果算w1、w2、b不是已知的，那训练集求出来的那个有什么用呢？
3、测试集是不是就是先用卷积、池化、激活来提取特征，然后全链接层y_hat=w1x+w2x+b，x就是提取的特征，w1、w2、b已经迭代出来了，这样求出的就是y_hat了是不是？
上面基本思想是这样的吗？有哪些不对的地方呢？帮帮我解答一下吧，非常感谢！

Answer 1

该回答引用ChatGPT

1、在卷积神经网络中，训练集中的样本经过卷积、池化、激活等操作提取特征后，会进入全连接层。在全连接层中，输入的特征向量x被乘以权重矩阵w1和w2，并加上偏置b，得到输出向量y。x是提取的特征，y是训练集中样本的标签。在训练过程中，通过反向传播算法更新权重矩阵w1、w2和偏置b，使得神经网络的输出尽可能地接近标签。

2、验证集是用来评估模型性能和调整模型超参数的。在验证集上进行模型测试时，经过卷积、池化、激活等操作提取特征后，得到的特征向量x被乘以已经学习到的权重矩阵w1和w2，并加上偏置b，得到输出向量y。在这里，x是提取的特征，y是验证集中样本的标签的预测值。调整模型超参数时，我们可以使用验证集的性能作为参考，如调整学习率、正则化参数等。调整过程并不会影响全局的权重矩阵w1、w2和偏置b。

3、在测试集上进行模型测试时，和验证集类似，经过卷积、池化、激活等操作提取特征后，得到的特征向量x被乘以已经学习到的权重矩阵w1和w2，并加上偏置b，得到输出向量y_hat。在这里，x是提取的特征，y_hat是测试集中样本的标签的预测值。这个预测值可以用来衡量模型的性能，并做出相应的调整或改进。