联系我们

AI 101.

什么是cnns(卷积神经网络)?

mm

更新

 on

也许你想知道Facebook或Instagram如何能够在图像中自动识别面孔,或者谷歌如何让您在网上搜索类似的照片,只需上传您自己的照片。这些特征是示例计算机视觉,他们是支持的卷积神经网络(CNNS)。然而,卷积神经网络究竟是什么?让我们深深潜入CNN的架构,了解它们的运作方式。

什么是神经网络?

在我们开始谈论卷积神经网络之前,让我们花点时间定义常规神经网络。有另一篇文章关于神经网络的主题,所以我们不会在这里进入他们。然而,为了简要定义它们,它们是由人类大脑启发的计算模型。通过调整“权重”,通过参加数据并通过调整数据来操纵数据,这是对输入特征如何彼此相关的假设和对象的类。由于网络训练,调整权重的值,他们希望收敛于准确捕获特征之间的关系的权重。

这就是前馈神经网络如何运行,并且CNN由两半组成:前馈神经网络和一组卷积层。

什么是卷积神经网络(CNNS)?

卷积神经网络中发生的“卷积”是什么?卷积是一种创建一组权重的数学操作,基本上创建了图像的部分的表示。这组重量被称为内核或过滤器。创建的过滤器小于整个输入图像,仅覆盖图像的小节。滤波器中的值乘以图像中的值。然后将滤波器移到以形成图像的新部分的表示,并且重复该过程直到覆盖整个图像。

思考这一点的另一种方法是想象一下砖墙,砖块代表输入图像中的像素。 “窗口”沿墙壁来回滑动,这是过滤器。通过窗口可视的砖是具有它们的值的像素,其值乘以滤波器内的值。因此,使用滤波器创建权重的这种方法通常被称为“滑动窗口”技术。

来自滤波器的输出在整个输入图像周围移动是表示整个图像的二维阵列。此数组称为a“特征地图”.

为什么卷积至关重要

无论如何创造互联网的目的是什么?卷积是必要的,因为神经网络必须能够将图像中的像素解释为数值。卷积层的功能是将图像转换为神经网络可以解释的数值,然后从中提取相关模式。卷积网络中的过滤器的作业是创建可以传递到神经网络的稍后层的二维值阵列,这些值将学习图像中的模式。

过滤器和频道

Photo: cecebur via Wikimedia Commons, CC BY SA 4.0 (//commons.wikimedia.org/wiki/File:Convolutional_Neural_Network_NeuralNetworkFeatureLayers.gif)

CNNS不使用一个过滤器来从输入图像中学习模式。使用多个过滤器,作为由不同滤波器创建的不同阵列导致更复杂,丰富的输入图像表示。 CNN的常见滤波器数为32,64,128和512.存在的过滤器越多,CNN必须检查输入数据并从中学习的机会越多。

CNN分析像素值中的差异以确定对象的边界。在灰度形象中,CNN只能看看黑白光到黑暗的术语。当图像是彩色图像时,CNN不仅考虑了黑暗和光线,而且必须采用三种不同的颜色通道–红色,绿色和蓝色–也考虑了。在这种情况下,滤波器具有3个通道,就像图像本身一样。滤波器已被称为其深度的通道数,并且滤波器中的通道数必须与图像中的通道数匹配。

卷积神经网络(CNN)建筑学

让我们来看看完整的架构卷积神经网络。在每个卷积网络的开始时发现卷积层,因为必须将图像数据转换为数字阵列。然而,卷积层也可以在其他卷积层之后,这意味着这些层可以彼此叠加。具有多个卷积层意味着来自一层的输出可以经历进一步的卷曲并以相关模式分组。实际上,这意味着随着图像数据通过卷积层进行,网络开始“识别”图像的更复杂特征。

GrancET的早期层负责提取低级功能,例如构成简单线的像素。 Grandnet的后来层将把这些行连接在一起。这种从表面级分析移动到深度级别分析的过程仍在继续,直到Convnet识别像动物,人脸和汽车等复杂形状。

在数据通过所有卷积层之后,它进入CNN的密集连接部分。密集连接的层是传统的前馈神经网络的样子,一系列节点排列成彼此连接的层。数据进行通过这些密集连接的层,该层学习由卷积层提取的图案,并且在这样做方面,该网络能够识别对象。

Blogger和Programmer有专业的机器学习深度学习话题。丹尼尔希望帮助别人利用AI的力量来社交。