解決的問題
在CNN沒有出現(xiàn)前，圖像對人工智能來說非常難處理。
主要原因：
- 圖像要處理的數(shù)據(jù)量太大了。圖像由像素組成，每個像素又由不同顏色組成，一張1000×1000彩色RGB圖像需要的參數(shù)是1000×1000×3，需要三百萬參數(shù)左右，普通神經(jīng)網(wǎng)絡(luò)會全用全連接方法來學(xué)習(xí)整幅圖像上的特征，處理起來無論是計算還是存儲都需要很大的資源。
- 很難保留圖像特征。一張圖像做了一些翻轉(zhuǎn)、旋轉(zhuǎn)、縮放的那個操作的時候，線性向量表示會發(fā)生很大的變化，機器沒法認(rèn)為是同一張圖。而CNN能夠讓機器“以視覺的方式看待圖像數(shù)據(jù)”，能利用視覺原理捕獲到圖像數(shù)據(jù)中的特征。
人類的視覺原理
深度學(xué)習(xí)是基于神經(jīng)網(wǎng)絡(luò)的實現(xiàn)的，而神經(jīng)網(wǎng)絡(luò)是一種模仿生物神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和功能的數(shù)學(xué)模型或計算模型。所以深度學(xué)習(xí)的許多研究成果，離不開對大腦認(rèn)知原理的研究。CNN就借鑒了人類視覺系統(tǒng)層次結(jié)構(gòu)。
人類的視覺原理：瞳孔攝入原始像素信號，然后大腦皮層某些細(xì)胞發(fā)現(xiàn)邊緣和方向，大腦進行抽象判斷特征例如物體形狀，最后再進一步做出判斷例如物體是個人。
下圖是一個大腦進行人臉識別的示例圖：
通過模仿人類的視覺原理的特點，來構(gòu)造神經(jīng)網(wǎng)絡(luò)，低層的識別圖像初級特征，若干曾底層特征組成更上一層的特征，最終通過多個層級組合，在頂層做出分類判斷。
原理
CNN（Convolutional Neural Network，卷積神經(jīng)網(wǎng)絡(luò)）結(jié)構(gòu)可以分為3層：卷積層、池化層和全連接層。
卷積層——提取特征
卷積層（Convolutional Layer） ：主要作用是提取特征。
過程：一個過濾器（卷積核，F(xiàn)ilter）來過濾圖像各個小區(qū)域，從而得到各個小區(qū)域的特征。卷積層通過卷積核的過濾提取出圖片中局部的特征，與人類視覺的特征提取類似。
實際應(yīng)用的時候，往往會有很多種卷積核，不同卷積核識別不同的圖像模式，也就是不同的特征。
池化層——數(shù)據(jù)降維
池化層（Max Pooling Layer) ：提取某個區(qū)域的總結(jié)特征，主要作用是下采樣(Downsampling)，能夠數(shù)據(jù)降維，但是不會損壞識別結(jié)果。
原因：做完卷積后的圖像依然很大，1000*1000經(jīng)過10種卷積核后，得到1000×1000×10，維度非常大。通過池化層，能降低數(shù)據(jù)大小，同時不會對識別結(jié)果造成破壞。
池化層函數(shù)：是一種統(tǒng)計函數(shù)，通常由最大池化（提取區(qū)域內(nèi)的最大特征）、平均池化（提取區(qū)域內(nèi)的平均特征）、混合池化等。
過程：下圖采用最大池化策略，對4×4的矩陣按照2×2進行分開，每個2×2取最大值保留下來。
好處：除了降低參數(shù)量，還有個優(yōu)點就是能夠避免過擬合。池化是提取某個區(qū)域的總結(jié)特征，是對某個區(qū)域全局的考量，減少了對具體像素的依賴性，從而降低了過擬合風(fēng)險。例如某個點其實是噪聲，但是池化總結(jié)特征的時候被舍棄了，就沒有影響；如果不池化，后續(xù)調(diào)參的時候還會考慮到噪聲。
全連接層——輸出結(jié)果
全連接層（Fully Connected Layer）：主要作用是分類。通過卷積層和池化層的出來的特征，需要讓全連接層對前面總結(jié)好的特征做分類判斷。
過程：“全連接”前層網(wǎng)絡(luò)中的所有神經(jīng)元都與下一層的所有神經(jīng)元連接。
應(yīng)用
圖像處理
- 圖像分類（Image Classification）：判斷圖片中的物體屬于哪一個類別。
舉例：LeNet-5用來對手寫字體識別，被認(rèn)為是最早的CNN模型，作者LeCun Y也被譽為CNN之父。 - 圖像分割（Image Segmentation）：為圖片每個對象創(chuàng)造一個像素級別的掩膜。
分類：語義分割和實例分割。
語義分割（Semantic Segmentation）：為圖像中的每個像素分配一個類別，但是同一類別之間的對象不會區(qū)分。
實例分割（Instance Segmetation）：實例分割還會對同一類別的對象進行區(qū)分。
下圖中左邊是語義分割，右邊是實例分割：
- 目標(biāo)檢測（Object Detection）：目標(biāo)定位并且能對目標(biāo)物體進行分類。
與目標(biāo)定位的區(qū)別：目標(biāo)定位通常是針對單個檢測對象，而目標(biāo)檢測能檢測多個對象。此外，圖像分類也是針對單個對象的。
與圖像分割的區(qū)別：目標(biāo)檢測和目標(biāo)定位都只是定位出目標(biāo)的位置，通常是用一個方框表示，而圖像分割則是每個像素屬于那個對象，對象的輪廓會更加清楚。
- 超分辨率（Super-Resolution）：提高原有圖像的分辨率。
自然語言處理
除了在圖像處理領(lǐng)域，CNN 在自然語言處理（Natural Language Processing，NLP）也有應(yīng)用。
輸入：任何矩陣都可以作為CNN的輸入，所以輸入也可以是詞向量組成的矩陣，即矩陣每一行代表一個詞，也可以是一個字符。
卷積：過濾器“寬度”通常和輸入矩陣的寬度相同，也就是輸入的詞向量大??；高度可能會有所不同，也每次卷積多少個詞。文章來源：http://www.zghlxwxcb.cn/news/detail-666522.html
池化：進一步降低參數(shù)量，避免過擬合，例如最大池化、平均池化。文章來源地址http://www.zghlxwxcb.cn/news/detail-666522.html
到了這里，關(guān)于深度學(xué)習(xí)|CNN卷積神經(jīng)網(wǎng)絡(luò)的文章就介紹完了。如果您還想了解更多內(nèi)容，請在右上角搜索TOY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！
