在TensorFlow中引入卷积神经网络图解 _卷积

本文概述

卷积神经网络的起源
卷积神经网络具有以下4层

卷积神经网络是在神经网络中进行图像分类和图像识别的技术之一。它旨在通过多层阵列处理数据。这种类型的神经网络用于诸如图像识别或面部识别之类的应用中。 CNN与其他神经网络之间的主要区别在于CNN将输入作为二维数组。它直接在图像上运行, 而不是像其他神经网络那样专注于特征提取。

文章图片
CNN的主要方法包括解决识别问题的方法。像Google和Facebook这样的一些公司已经在识别项目方面进行了现场研发, 以更快地完成活动。
场景标签, 物体检测和面部识别等是卷积神经网络工作的领域。
卷积神经网络(CNN或ConvNet)是一种前馈人工网络, 其神经元之间的连接方式受动物视觉皮层组织的启发。

视觉皮层有一小部分细胞, 对视野的特定区域敏感。我们大脑中的某些单个神经元细胞在存在特定方向的边缘时会做出反应。

卷积神经网络的起源神经网络的智能是不自然的。虽然Rosenblatt早在1960年代就研究了人工神经网络, 但直到2000年代末, 使用神经网络的深度学习才开始兴起。关键推动因素是Google开展深度学习研究的计算能力和数据集的规模。 2012年7月, Google的研究人员针对从YouTube视频中切出的一系列未标记的静态图像公开了高级神经网络。
例如,
乍一看, 请考虑一下这种自然形象；我们将看到很多建筑物和颜色。
计算机如何读取图像？
图像分为3个颜色通道, 分别是红色, 绿色和蓝色。这些颜色通道中的每一个都映射到图像的像素。

文章图片
当暴露于顶点边缘时, 一些神经元会激发, 而当显示水平或对角线边缘时, 一些神经元会激发。 CNN利用与输入数据一起存在的空间相关性。神经网络的每个并发层都连接一些输入神经元。该区域称为局部感受野。局部感受野集中在隐藏的神经元上。
隐藏的神经元在提到的字段内处理输入数据, 而不实现特定边界之外的更改。
卷积神经网络具有以下4层

卷积
ReLU层
汇集
完全连接

卷积层
卷积层是从输入图像派生特征的第一层。卷积层通过使用输入数据的小方块学习图像特征来保存像素之间的关系。这是数学运算, 需要两个输入, 例如图像矩阵和核或任何滤波器。

图像矩阵的尺寸为h×w×d。
任何滤波器的尺寸为fh×fw×d。
输出尺寸为(h-fh + 1)×(w-fw + 1)×1。

文章图片
ReLU层
整流线性单位(ReLU)变换功能仅在输入大于一定数量时才激活节点。当数据低于零时, 输??出为零, 但是当输入高于某个阈值时。它与因变量具有线性关系。
在这一层中, 我们从过滤后的图像中删除每个负值, 然后将它们替换为零。
正在避免将这些值相加为零。

文章图片
池化层
池化层在任何图像的预处理中都起着至关重要的作用。当图像太大时, 池化层会减少参数的数量。合并是从先前层获得的图像的” 缩小比例” 。可以比较缩小图像以降低图像的密度。空间池化也称为下采样和子采样, 它们降低了每个地图的维数, 但仍然是必不可少的信息。这些是以下类型的空间池。
为此, 我们执行以下4个步骤：