簡史

成都創(chuàng)新互聯(lián)公司專注為客戶提供全方位的互聯(lián)網(wǎng)綜合服務(wù)，包含不限于成都網(wǎng)站設(shè)計(jì)、做網(wǎng)站、莊河網(wǎng)絡(luò)推廣、微信小程序開發(fā)、莊河網(wǎng)絡(luò)營銷、莊河企業(yè)策劃、莊河品牌公關(guān)、搜索引擎seo、人物專訪、企業(yè)宣傳片、企業(yè)代運(yùn)營等，從售前售中售后，我們都將竭誠為您服務(wù)，您的肯定，是我們最大的嘉獎(jiǎng)；成都創(chuàng)新互聯(lián)公司為所有大學(xué)生創(chuàng)業(yè)者提供莊河建站搭建服務(wù)，24小時(shí)服務(wù)熱線：18980820575，官方網(wǎng)址：jinyejixie.com

卷積神經(jīng)網(wǎng)絡(luò)

在過去的十年里，計(jì)算機(jī)視覺領(lǐng)域取得的進(jìn)步是前所未有的。機(jī)器現(xiàn)在可以識(shí)別視頻中的圖像或某一幀，準(zhǔn)確率(98%)超過人類(97%)。之所以有這么大的突破，就是得益于對(duì)人腦的研究。

當(dāng)時(shí)，神經(jīng)學(xué)家正在對(duì)貓進(jìn)行實(shí)驗(yàn)，他們發(fā)現(xiàn)圖像中相似的部分會(huì)導(dǎo)致貓大腦中相似的部分變得活躍。換句話說，當(dāng)一只貓看著圓圈時(shí)，大腦中的α就被激活了。當(dāng)它觀察正方形時(shí)，大腦中的β區(qū)被激活。他們的發(fā)現(xiàn)得出結(jié)論，動(dòng)物的大腦包含一個(gè)神經(jīng)元區(qū)，該區(qū)域?qū)D像的特定特征作出反應(yīng)，即它們通過大腦中神經(jīng)元的分層結(jié)構(gòu)來感知環(huán)境。每一幅圖像在深入大腦之前都要經(jīng)過某種特征提取器。

受大腦功能的啟發(fā)，數(shù)學(xué)家們聚集在一起，創(chuàng)建一個(gè)系統(tǒng)來模擬不同神經(jīng)元群對(duì)不同圖像的感知，并相互交流以形成更大的圖像。

特征提取器

他們將神經(jīng)元群被激活的想法具體化為多維矩陣表示特定特征集的檢測(cè)器的數(shù)學(xué)概念，并提供了特定的輸入。其中，代表特定特征的探測(cè)器，又被稱為濾波器或核。每一個(gè)這樣的濾波器都將用于檢測(cè)圖像中特定的東西，例如用于檢測(cè)邊緣的濾波器。這些學(xué)習(xí)到的特性將通過另一組過濾器被傳遞，這些過濾器被設(shè)計(jì)用來檢測(cè)更高級(jí)別的特性，例如眼睛、鼻子等。

用Laplacian濾波器卷積圖像檢測(cè)邊緣

從數(shù)學(xué)上講，我們將對(duì)給定的輸入圖像(以像素強(qiáng)度矩陣表示)和濾波器進(jìn)行卷積運(yùn)算，生成所謂的特征圖。這個(gè)特征映射將作為另一層過濾器的輸入。

為什么是卷積?

卷積是一個(gè)網(wǎng)絡(luò)試圖通過參考過去所學(xué)的內(nèi)容來標(biāo)記輸入信號(hào)的過程。如果輸入信號(hào)與之前看到的貓的圖像類似，那么"貓"作為參考信號(hào)將與輸入信號(hào)進(jìn)行卷積或混合。然后將輸出信號(hào)傳遞到下一層(這里，輸入信號(hào)是以RGB像素強(qiáng)度表示輸入圖像的三維表示，而"貓"作為參考信號(hào)是識(shí)別貓類的核心)。

圖像與濾波器的卷積運(yùn)算

卷積運(yùn)算的一個(gè)很好的性質(zhì)是它不會(huì)輕易發(fā)生改變。這意味著每個(gè)卷積濾波器都代表了特定的特征集。例如眼睛，耳朵等。CNN算法對(duì)特征集的學(xué)習(xí)構(gòu)成的參考結(jié)果，例如貓。需要補(bǔ)充的是，輸出信號(hào)的強(qiáng)度并不取決于特征的位置，而僅僅取決于特征是否存在。因此，貓可以坐在不同的位置，而CNN算法仍然能夠識(shí)別它。

池

通過追蹤大腦的生物功能所形成的軌跡，我們能夠建立出特征提取所需的數(shù)學(xué)儀器。然而，在了解到要跟蹤的幾何形狀復(fù)雜性，以及需要分析的層次和特征的總數(shù)之后，我們會(huì)意識(shí)到我們沒有足夠的內(nèi)存來保存所有的數(shù)據(jù)。即使是處理這一切所需的計(jì)算能力也會(huì)隨著特性的數(shù)量呈指數(shù)級(jí)增長。很快，我們就不得不求助于一種被稱為"池"的技術(shù)來解決當(dāng)前我們的困境。它的核心思想很簡單。

如果一個(gè)區(qū)域包含一個(gè)極具代表性的特性，我們可以避免在該區(qū)域中搜索其他特性。

最大池的演示

這樣做，除了節(jié)省不必要的內(nèi)存并節(jié)省計(jì)算能力外，還有助于消除圖像中的噪聲。

全連接層

到目前為止我們做的還不錯(cuò)，但是如果網(wǎng)絡(luò)最終只檢測(cè)到圖像中的一組特征，那么它有什么用呢?我們需要一種方法，使網(wǎng)絡(luò)能夠?qū)⒔o定的圖像進(jìn)行分類。這就是對(duì)傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的一種應(yīng)用。特別是，我們可以有一個(gè)全連接層，從先前的圖層所檢測(cè)到的特征映射到我們所擁有的分類標(biāo)簽的數(shù)量。最后一層將為輸出類別中的每個(gè)類分配概率?；谶@些輸出概率，我們最終可以對(duì)圖像做出分類。

全連接層

最后的框架

剩下的唯一一件事就是把所有這些學(xué)到的概念進(jìn)行整理合并，行成我們稱之為的卷積神經(jīng)網(wǎng)絡(luò)，又名CNN。本質(zhì)上，CNN由一系列卷積層和池化層組成，這些層有選擇性的組合在一起，生成一個(gè)特征圖，然后將這個(gè)圖反饋給全連接層，以生成類的概率。返回錯(cuò)誤的輸出，我們將能夠進(jìn)行更好的訓(xùn)練以生成準(zhǔn)確的結(jié)果。

現(xiàn)在，從功能角度來讓我們深入了解一下CNN是如何工作的。

卷積神經(jīng)網(wǎng)絡(luò)

卷積層

卷積層是CNN的主要組成部分。每個(gè)這樣的層由一組獨(dú)立的濾波器組成，每個(gè)濾波器在給定的圖像中尋找不同的特征集。

卷積運(yùn)算

從數(shù)學(xué)上講，我們?nèi)∫粋€(gè)固定大小的濾波器，并在完整的圖像上滑動(dòng)，在濾波器和輸入圖像塊之間做點(diǎn)積。這個(gè)點(diǎn)積的結(jié)果將是一個(gè)標(biāo)量，它會(huì)進(jìn)入最終的特征映射。然后我們向右滑動(dòng)過濾器，執(zhí)行相同的操作，并將結(jié)果添加到特征圖中。在將完整的圖像與過濾器進(jìn)行卷積后，我們最終得到一個(gè)表示不同特征集的特征映射，該特征集將作為下一層的輸入。

步長

濾波器移動(dòng)的量就是步長。在上面的圖片中，我們的滑動(dòng)濾波器系數(shù)是1。這可能不是我們一直需要的。使用步長的大小跟相鄰的像素高度相關(guān)(特別是在最底層)。因此，通過使用適當(dāng)?shù)牟介L來減小輸出的大小是有意義的。然而，一個(gè)大的步長可能會(huì)導(dǎo)致信息的高度損失。因此，我們?cè)谶x擇步長時(shí)必須小心。

步長為2

填充

對(duì)某一單層進(jìn)行填充

步長的一個(gè)不受歡迎的理由是隨著我們不斷地進(jìn)行卷積，特征圖的大小會(huì)隨之減小。這可能不是我們想要的結(jié)果。因?yàn)槭湛s也意味著信息損失。想要了解為什么會(huì)出現(xiàn)這種情況，那請(qǐng)注意應(yīng)用于中間單元格和角落單元格的過濾次數(shù)的差異。顯然，來自中間單元格的信息比邊緣單元格的信息更重要。為了保留早期層內(nèi)的有用信息，我們可以用0層包圍給定矩陣。

參數(shù)共享

為什么CNN已經(jīng)有了一個(gè)很好的深層神經(jīng)網(wǎng)絡(luò)。有趣的是，如果我們使用深度神經(jīng)網(wǎng)絡(luò)來進(jìn)行圖像分類，每一層的參數(shù)數(shù)將是CNN的數(shù)千倍。

在CNN共享參數(shù)

網(wǎng)頁標(biāo)題：解密卷積神經(jīng)網(wǎng)絡(luò)！
文章鏈接：http://jinyejixie.com/article4/psipie.html

成都網(wǎng)站建設(shè)公司_創(chuàng)新互聯(lián)，為您提供電子商務(wù)、響應(yīng)式網(wǎng)站、定制網(wǎng)站、服務(wù)器托管、網(wǎng)站制作、企業(yè)網(wǎng)站制作

廣告

聲明：本網(wǎng)站發(fā)布的內(nèi)容（圖片、視頻和文字）以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主，如果涉及侵權(quán)請(qǐng)盡快告知，我們將會(huì)在第一時(shí)間刪除。文章觀點(diǎn)不代表本網(wǎng)站立場(chǎng)，如需處理請(qǐng)聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載，或轉(zhuǎn)載時(shí)需注明來源： 創(chuàng)新互聯(lián)