人工智能安全：原理与实践 课件 第3章 卷积神经网络的安全应用(3.1卷积神经网络原理介绍).pptx

李剑博士，教授，博士生导师网络空间安全学院lijian@January23,2025第三章卷积神经网络的安全应用3.1卷积神经网络原理介绍

本章介绍卷积神经网络（ConvolutionalNeuralNetworks,CNN）是人工智能中使用最为普遍的机器学习模型之一。本章简要讲述卷积神经网络CNN的原理和它的实践应用。在实践案例中主要讲述了三个经典案例：第一个是基于卷积神经网络的数据投毒攻击；第二个是基于卷积神经网络的人脸活体检测；最后一个是基于卷积神经网络的验证码识别。

1.神经网络神经网络是一种受大脑神经元结构启发而来的数学模型。它由大量的节点神经元和连接这些节点神经元的边突出组成。每个节点可以接收输入信息，通过激活函数处理这些信息，并将处理后的信息传递给其他节点。神经网络通过调整这些节点之间的连接权重来学习数据的特征。

2.卷积神经网络概述卷积神经网络是一种特殊的神经网络。它在处理图像数据时引用了卷机操作。卷机操作是一种数学运算，可以将输入图像与卷积核进行卷积，从而提取图像的局部特征。卷积神经网络CNN是一种在深度学习领域内广泛使用的神经网络架构。它特别适用于处理图像和视频数据。CNN通过模拟人类视觉系统的工作原理，能够从图像中自动学习和识别复杂的特征和模式。这种网络由多个层组成，每一层都对输入数据执行不同的操作，从而逐步提取和抽象数据的特征，用于分类、识别和处理视觉信息。CNN在许多领域都有出色的表现，尤其是在图像识别、面部识别、物体检测、医学图像分析以及自然语言处理等任务中。

2.卷积神经网络概述神经网络模型训练过程:

3.卷积神经网络核心组件卷积神经网络的核心组件共有四个，分别是：卷积层、激活层、池化层和全链接层，如图所示。

3.卷积神经网络核心组件（1）卷积层（ConvolutionalLayer）卷积层是CNN的基础。它使用卷积运算对输入图像进行特征提取。卷积层通过将一个小的滤波器（也称为卷积核）在输入图像上滑动，并对每个位置的局部区域进行卷积操作来提取特征。这种局部连接和权值共享的方式使得CNN能够有效地捕捉图像中的局部模式和结构。

3.卷积神经网络核心组件(1)激活层（ActivationLayer）激活层主要是激活函数，在神经网络中扮演重要角色，它引入非线性变换，增加网络的表达能力，解决线性不可分问题，并确保梯度传播的有效性。激活函数的选择和设计需考虑计算效率，以提高模型的训练和推理速度。

3.卷积神经网络核心组件（3）池化层（PoolingLayer）池化层用于减小特征图的尺寸并保留关键信息。常用的池化操作是最大池化，它从局部区域中选择最大值作为代表性特征。池化层的作用是降低特征图的空间维度，减少参数量，同时具备一定的平移不变性。

3.卷积神经网络核心组件(4)全连接层（FullyConnectedLayer）全连接层用于将卷积层和池化层提取的特征映射转化为最终的输出。全连接层中的每个神经元都与前一层的所有神经元相连，通过学习权重和偏置来进行特征的组合和分类。全连接层用于将之前各层提取的特征整合起来，并进行分类或回归等任务。每个神经元与上一层的所有神经元相连，形成了一个全连接的结构。

4.AlexNet模型AlexNet模型卷积神经网络的一种。它是由AlexKrizhevsky、IlyaSutskever和GeoffreyHinton在2012年提出的。它在ImageNet图像识别竞赛（ILSVRC2012）中取得了巨大的成功，标志着深度学习在计算机视觉领域的突破。AlexNet是第一个展示了深度学习在大规模图像数据集上卓越性能的模型，对后续神经网络的设计产生了深远的影响。

6.MNIST数据集MNIST数据集来自美国国家标准与技术研究所。训练集(trainingset)来自由250个不同人手写的数字组成,其中50%是高中学生,50%来自人口普查局(theCensusBureau)的工作人员。测试集(testset)也是同样比例的手写数字数据。人工智能领域大佬YannLeCun利用MNIST做过测试。他首次提出了CNN神经网络的概念，并且用神经网络实现了MNIST数字识别的算法。MNIST数据集下载地址：http://yann./exdb/mnist/。数据集分为训练集和测试集，训练集有60000条数据，测试集有10000条数据，每一条数据都是由785个数字组成，数值大小在0-255之间，第一个数字代表该条数据所表示的数字，后面的784个数字可以形成