Excel图解卷积神经网络结构光环大数据培训.pdf

光环大数据--大数据培训人工智能培训 Excel 图解卷积神经网络结构_光环大数据培训 先坦白地说，有一段时间我无法真正理解深度学习。我查看相关研究论文和 文章，感觉深度学习异常复杂。我尝试去理解神经网络及其变体，但依然感到困 难。 接着有一天，我决定一步一步，从基础开始。我把技术操作的步骤分解开来， 并手动执行这些步骤（和计算），直到我理解它们如何工作。这相当费时，且令 人紧张，但是结果非凡。 现在，我不仅对深度学习有了全面的理解，还在此基础上有了好想法，因为 我的基础很扎实。随意地应用神经网络是一回事，理解它是什么以及背后的发生 机制是另外一回事。 今天，我将与你共享我的心得，展示我如何上手卷积神经网络并最终弄明白 了它。我将做一个通盘的展示，从而使你对 CNN 的工作机制有一个深入的了解。 在本文中，我将会讨论 CNN 背后的架构，其设计初衷在于解决图像识别和 分类问题。同时我也会假设你对神经网络已经有了初步了解。 目录 1.机器如何看图？ 2.如何帮助神经网络识别图像？ 3.定义卷积神经网络 光环大数据 光环大数据--大数据培训人工智能培训 卷积层 池化层 输出层 4.小结 5.使用 CNN 分类图像 1. 机器如何看图？ 人类大脑是一非常强大的机器，每秒内能看（捕捉）多张图，并在意识不到 的情况下就完成了对这些图的处理。但机器并非如此。机器处理图像的第一步是 理解，理解如何表达一张图像，进而读取图片。 简单来说，每个图像都是一系列特定排序的图点（像素）。如果你改变像素 的顺序或颜色，图像也随之改变。举个例子，存储并读取一张上面写着数字 4 的 图像。 基本上，机器会把图像打碎成像素矩阵，存储每个表示位置像素的颜色码。 在下图的表示中，数值 1 是白色，256 是最深的绿色（为了简化，我们示例限 制到了一种颜色）。 一旦你以这种格式存储完图像信息，下一步就是让神经网络理解这种排序与 模式。 2. 如何帮助神经网络识别图像？ 光环大数据 光环大数据--大数据培训人工智能培训 表征像素的数值是以特定的方式排序的。 假设我们尝试使用全连接网络识别图像，该如何做？ 全连接网络可以通过平化它，把图像当作一个数组，并把像素值当作预测图 像中数值的特征。明确地说，让网络理解理解下面图中发生了什么，非常的艰难。 即使人类也很难理解上图中表达的含义是数字 4。我们完全丢失了像素的空 间排列。 我们能做什么呢？可以尝试从原图像中提取特征，从而保留空间排列。 案例 1 这里我们使用一个权重乘以初始像素值。 现在裸眼识别出这是「4」就变得更简单了。但把它交给全连接网络之前， 还需要平整化（flatten) 它，要让我们能够保留图像的空间排列。 案例 2 现在我们可以看到，把图像平整化完全破坏了它的排列。我们需要想出一种 方式在没有平整化的情况下把图片馈送给网络，并且还要保留空间排列特征，也 就是需要馈送像素值的 2D/3D 排列。 我们可以尝试一次采用图像的两个像素值，而非一个。这能给网络很好的洞 见，观察邻近像素的特征。既然一次采用两个像素，那也就需要一次采用两个权 重值了 光环大数据 光环大数据--大数据培训人工智能培训 希望你能注意到图像从之前的 4 列数值变成了 3 列。因为我们现在一次移 用两个像素（在每次移动中像素被共享），图像变的更小了。虽然图像变小了， 我们仍能在很大程度上理解这是「4」。而且，要意识到的一个重点是，我们采用 的是两个连贯的水平像素，因此只会考虑水平的排列。