梅科尔工作室——深度学习第五课

CNN（卷积神经网络：Convolutional neural network）

一、计算机视觉的应用

cnn非常普遍地运用在计算机视觉当中（工作室也涉及了很多小牧，在医疗上更多一点）

二、计算机视觉分类

1.计算机视觉分类主要有四大类：

（a）Image classification（同项分类）

图像分类，用于识别图像中物体的类别（如：bottle、cup、cube)

（b）Object localization（目标检测）

目标检测，用于检测图像中每个物体的类别，并准确标出它们的位置。

（c）Semantic segmentation（语义分割）

图像语义分割，用于标出图像中每个像素点所属的类别，属于同一类别的像素点用一个颜色标识。

（d）Instance segmentation（实例分割）（与语义分割不同的是，实例分割，笼统来说分割地更细一点，它在同一类别的基础上，将每一个对象作为独立的个体来再进行分割，如下图对比所示）

实例分割，值得注意的是（b）中的目标检测任务只需要标注出物体位置，而（d）中的实例分割任务不仅要标注出物体位置，还需要标注出物体的外形轮廓。

2. cnn解决的问题

在 CNN 出现之前，图像对于人工智能来说是一个难题，有2个原因：
（1）.图像需要处理的数据量太大，导致成本很高，效率很低（因为:图像是由一个个像素构成的，而像素又由颜色构成，所以像素的画质越高，像素越密，所以数据量大）
（2）.图像在数字化的过程中很难保留原有的特征，导致图像处理的准确率不高

解释：像传统的那些算法，在汲取特征的过程中，但不好吧特征给抽象出来，二cnn正好可以解决这两个问题。

具体如何解决的：

a、能够有效的将大数据量的图片降维成小数据量
b、能够有效的保留图片特征，符合图片处理的原则

三、卷积神经网络（sonvolutional neural network,CNN)，是一种专门用来处理具有类似网格结构的数据的神经网络

translation：平移， scaling：缩放， rotation：旋转， weight：增加像素，查询算法，进行图像的一个填充

2、CNN五层网络结构
a、数据输入层/Input layer I
b、卷积层/ CONV layer (提取图像中的局部特征)
c、Relu 激励层/ReLu layer（激励层又称“激活层”）
b、池化层/Pooling layer（降低参数量级）
e、全连接层/FClayer
3、数据输入层

预处理，图片的像素矩阵
4、卷积层（Convolution Layer）

卷积层被称为过滤器(filter)或者内核(kernel)或卷积核。
对输入图像和滤波矩阵（恒定的滤波器flter）做内积（逐个元素相乘再求和）的操作就是卷积，也是卷积神经网络的名字来源。

（2）卷积计算

（3）填充值zero-padding（其作用：避免边缘数据的丢失）

以10来说，正常情况下，10会被用到四次；但对与13来说，只用到了红色这个框，13被用到了一次。

a、边界上填充0值

b、避免边缘数据丢失

（4）步幅（stride）

减少参数的数目，减少计算量

5、激活层

神经元：y=wx+b（w：无米伽）——下一个神经元：z=w的平方（wx+b）+b——.....以此类推

激活函数（加入非线性因素）

（1）提高模型鲁棒性（抗干扰能力），非线性表达能力，缓解梯度消失问题、加速模型收敛
（2）将当前特征空间映射转换到另一个空间，让数据能更好的被分类
（3）非线性激活函数
a、假若网络中全部是线性部件，那么线性的组合还是线性，与单独一个线性分类器无异。
b、网络更加强大，学习复杂的事物，复杂的表单数据，从输入输出之间生成非线性映射。
ReU激活函数（非常非常重要，可以直接去网上搜）

6、池化层（Pooling）

（1）平均池化层（mean pooling）

（2）最大池化层（max pooling）

（3）目的：（最重要的一块）

a、使特征图变小，简化网络计算复杂度
b、特征压缩，提取主要特征

c、加快计算速度

d、防止过拟合

推荐文章或视频

1、如何理解卷积层和池化层

卷积层：它是用来提取特征的。其中卷积核为核心，它相当于一个矩阵。

池化层：它用来减少参数数量。而降低参数的方法就是删除参数。

查阅的一些相关资料：卷积层与池化层 - 知识天地 - 博客园 (cnblogs.com)如何理解卷积神经网络（CNN）中的卷积和池化？ - 知乎 (zhihu.com)

2、激活函数的作用是什么

（1）在我们面对线性可分的数据集的时候，简单的用线性分类器即可解决分类问题。但是现实生活中的数据往往不是线性可分的，面对这样的数据，一般有两个方法：引入非线性函数、线性变换。

（2）就是把当前特征空间通过一定的线性映射转换到另一个空间，让数据能够更好的被分类。

梅科尔工作室——深度学习第五课相关推荐

梅科尔工作室深度学习第五课-CNN
CNN解决了什么问题在 CNN 出现之前,图像对于人工智能来说是一个难题,有2个原因: 图像需要处理的数据量太大,导致成本很高,效率很低图像在数字化的过程中很难保留原有的特征,导致图像处理的准确率 ...
梅科尔工作室-深度学习第五节-CNN学习
目录 1.什么是CNN(卷积神经网络) 2.卷积层与池化层 2.1卷积层 2.2池化层 3.卷积神经网络的输入与输出 4.卷积神经网络之层级结构 5.激活函数 6.计算公式 1.什么是CNN(卷积神经 ...
梅科尔工作室——深度学习第四课
SVM第一阶段学习一.SVM与KUN的对比 1.KUN 回顾上一节:kun叫做邻近算法(又叫分类算法),首先要有k值,因为k值决定了虚线圆圈的大小,即以要算的未知值为圆心,k的值为半径,画一个虚线圆 ...
梅科尔工作室-深度学习第五讲 CNN-卷积神经网络
目录前言 1.计算机视觉 1.1. 计算机视觉分类 2. CNN 3. 卷积层 3.1. 什么是卷积 3.2. 动态卷积操作 4. 池化层 5.激活函数的作用前言本文记录梅科尔工作室深度学习培训 ...
梅科尔工作室-深度学习-CNN
目录 1.基本概念 2.cnn常见任务 3.cnn组成 3.1.输入层 3.2.卷积层 3.3.激活层 3.4.池化层 3.5.全连接层 4.AI Studio公开项目的展示 1.基本概念卷积神经网 ...
梅科尔工作室-深度学习-SVM
目录 1.svm介绍 1.1.svm概念 1.2.svm与knn的对比 2.svm算法原理 2.1.距离计算 2.2.目标函数 2.3.软间隔优化 2.4.核函数 3.百度飞桨已有公开项目的展示 1. ...
梅科尔工作室-深度学习第三讲
什么是KNN KNN的原理就是当预测一个新的值x的时候,根据它距离最近的K个点是什么类别来判断x属于哪个类别. 图中绿色的点就是我们要预测的那个点,假设 K=3 .那么 KNN 算法就会找到与它距离 ...
Emojify - v2 吴恩达老师深度学习第五课第二周编程作业2
吴恩达老师深度学习第五课第二周编程作业2,包含答案! Emojify! Welcome to the second assignment of Week 2. You are going to use ...
梅科尔工作室-Django学习笔记（二次学习）（3）
本次学习的是如何用django实现前端鸿蒙OS登录下面介绍一下本次的操作过程. 1.首先创立MySQL数据并将数据库导入到django当中其中:导入数据库的操作: 2.配置urls 对应新建的pe ...

梅科尔工作室——深度学习第五课

梅科尔工作室——深度学习第五课相关推荐

最新文章

热门文章