CNN 簡介

• 實現(xiàn)對圖像的高準(zhǔn)確率識別離不開一種叫做卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)
  技術(shù)。
  卷積神經(jīng)網(wǎng)絡(luò)主要應(yīng)用于計算機視覺相關(guān)任務(wù)，但它能處理的任務(wù)并
  不局限于圖像，其實語音識別也是可以使用卷積神經(jīng)網(wǎng)絡(luò)。
  • 我們將使用識別Mnist手寫數(shù)字、cifar10圖像數(shù)據(jù)以
    及貓和狗圖像識別數(shù)據(jù)來讓大家對于卷積神經(jīng)網(wǎng)絡(luò)
    有一個大概的了解。

什么是卷積神經(jīng)網(wǎng)絡(luò)？

• 當(dāng)計算機看到一張圖像（輸入一張圖像）時，它看的是一大堆像素值
  。
• 當(dāng)我們?nèi)祟悓D像進行分類時，這些數(shù)字毫無用處，可它們卻是計算
  機可獲得的唯一輸入。
• 現(xiàn)在的問題是：當(dāng)你提供給計算機這一數(shù)組后，它將輸出描述該圖像
  屬于某一特定分類的概率的數(shù)字（比如：80% 是貓、15% 是狗、5%
  是鳥）。
• 我們?nèi)祟愂峭ㄟ^特征來區(qū)分貓和狗，現(xiàn)在想要計算機能夠區(qū)分開貓
  和狗圖片，就要計算機搞清楚貓貓狗狗各自的特有特征。
• 計算機可以通過尋找諸如邊緣和曲線之類的低級特點來分類圖片，
  繼而通過一系列卷積層級建構(gòu)出更為抽象的概念。這是 CNN（卷
  積神經(jīng)網(wǎng)絡(luò)）工作方式的大體概述
• 為什叫卷積神經(jīng)網(wǎng)絡(luò)？
  • CNN 的確是從視覺皮層的生物學(xué)上獲得啟發(fā)的。
  • 簡單來說：視覺皮層有小部分細胞對特定部分的視覺區(qū)域敏
    感。
  • 例如：一些神經(jīng)元只對垂直邊緣興奮，另一些對水平或?qū)?br /> 邊緣興奮。
• CNN 工作概述指的是你挑一張圖像，讓它歷經(jīng)一系列
  • 卷積層、
  • 非線性層、
  • 池化（下采樣（downsampling））層
  • 和全連接層，
  • 最終得到輸出。正如之前所說，輸出可以是最好地描述了圖像內(nèi)容的一個單獨
    分類或一組分類的概率。

什么是卷積？

• 卷積是指將卷積核應(yīng)用到某個張量的所有點上，通過將
  卷積核在輸入的張量上滑動而生成經(jīng)過濾波處理的張量。
  
• 一個卷積提取特征的例子：圖像的邊緣檢測
• 一個卷積核
• 應(yīng)用到圖像的每個像素，結(jié)果輸出一個刻畫了所有邊緣的新圖像。
  
• 總結(jié)起來一句話：
  • 卷積完成的是 對圖像特征的提取或者說信息匹配，當(dāng)一個包含某些特征的圖像經(jīng)過一個卷積核的時候，一些卷積核被激活，輸出特定信號。
  • 我們訓(xùn)練區(qū)分貓狗的圖像的時候，卷積核會被訓(xùn)練，訓(xùn)練的結(jié)果就是，卷積核會對貓和狗 不同特征敏感，輸出不同的結(jié)果，從而達到了圖像識別的目的。
  • 卷積層 conv2d
  • 非線性變換層 relu/sigmiod/tanh
  • 池化層 pooling2d
  • 全連接層 w*x + b
  • 如果沒有這些層，模型很難與復(fù)雜模式匹配，因為網(wǎng)絡(luò)將有過多的信息填充，也就是其他那些層作用就是突出重要信息，降低噪聲。
• 三個參數(shù)：
  • ksize 卷積核的大小
  • strides 卷積核移動的跨度
  • padding 邊緣填充
  • 非線性變換層
    • 也就是激活函數(shù)：
    • relu
    • sigmiod
    • tanh
• 池化層
  • layers.MaxPooling2D 最大池化
• 全連接層
  • 將最后的輸出與全部特征連接，我們要使用全部的特征，為最后的分類的做出決策。
  • 最后配合softmax進行分類
• 整體結(jié)構(gòu)
• 
  
  
  
  

總結(jié)

以上是生活随笔為你收集整理的深度学习-Tensorflow2.2-卷积神经网络{3}-卷积神经网络CNN基础-11的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。