在近些年，深度进修范畴的卷积神经收集(CNNs或ConvNets)在各行各业为我们解决了大年夜量的实际问题。然则对于大年夜多半仁攀来说，CNN仿佛戴上了神秘的面纱。我经常会想，如果能精力经收集的过程分化，看一看每一个步调是什么样的结不雅该有多好!这也就是这篇博客存在的意义。

高等CNN

起首，我们要懂得一下卷积神经收集善于什么。CNN重要被用来找寻图片中的模式。这个过程重要有两个步调，起重要对图片做卷积，然后找寻模式。在神经收集中，前几层是用来寻找界线和角，跟着层数的增长，我们就能辨认加倍复杂的特点。这个性质让CNN异常善于辨认图片中的物体。

CNN是什么

CNN是一种特别的神经收集，它包含卷积层、池化层和激活层。

卷积层

要想懂得什么是卷积神经收集，你起重要知道卷积是怎么工作的。想象你有一个5*5矩阵表示的图片，然后你用一个3*3的矩阵在图片中滑动。每当3*3矩阵经由的点就用原矩阵中被覆盖的矩阵和这个矩阵相乘。如许一来，我们可以应用一个值来表示当前窗口中的所有点。下面是一个过程的动图：

正如你所见的那样，特点矩阵中的每一个项都和原图中的一个区域相干。

在图中像窗口一样移动的叫做核。核一般都是方阵，对于小图片来说，一捌揭捉?用3*3的矩阵就可以了。每次窗口移动的距离叫做步长。值得留意的是，一些图片在界线会被填充零，如不雅直接进行卷积运算的话会导致界线处的数据变小(当然图片中心的数据更重要)。

在CNN中最常用的是relu(修改线性单位)。人们有很多爱好relu的来由，然则最重要的一点就是它异常的易于实现，如不雅数值是负数则输出0，不然输出本身。这种函数运算简单，所以练习收集也异常快。

卷积层的重要目标是滤波。当我们在图片上操作时，我们可以很轻易得检查出那部分的模式，这是因为我们应用了滤波，我们用权重向量乘以卷积之后的输出。当练习一张图片时，这些权重会赓续改变，并且当碰到之前见过的模式时，响应的权值会进步。来自各类滤波器的高权重的组合让统??测图像的内容的才能。 这就是为什么在CNN架构图中，卷积步调由一个框而不是一个矩形表示; 第三维代表滤波器。

增长一个池化层

我们可以看到，图中的猫异常的模糊，因为我们应用了一个随机的初始值，并且我们还没有练习收集。他们都在彼此的顶端，即使每层都有细节，我们将无法看到它。但我们可以制造出与眼睛和背景雷同色彩的猫的区域。如不雅我们将内核大年夜小增长到10x10，会产生什么呢?

卷积运算后的输出无论在宽度上照样高度上都比本来的小

核和图片窗口之间进行的是线性的运算

滤波器中的权重是经由过程很多图片进修的

池化层

池化层和卷积层很类似，也是用一个卷积核在图上移动。独一的不合就是池化层中核和图片窗口的操作不再是线性的。

最大年夜池化和平均池化是最常见的池化函数。最大年夜池化拔取当前核覆盖的图片窗口中最大年夜的数，而平均池化则是选择图片窗口的均值。

激活层

在CNN中，激活函数和其他收集一样，函数将数值紧缩在一个范围内。下面列出了一些常见的函数。

回想：

CNN中重要有三种层，分别是：卷积层、池化层和激活层。

卷积层应用卷积核和图片窗口相乘，并应用梯度降低法却竽暌古化卷积核。

池化层应用最大年夜值或者均值来描述一个图形窗口。

激活层应用一个激活函数将输入紧缩到一个范围中，典范的[0,1][-1,1]。

CNN是什么样的呢?

在我们深刻懂得CNN之前，让我们先弥补一些背景常识。早在上世纪90年代，Yann LeCun就应用CNN做了一个手写数字识其余法度榜样。而跟着时代的成长，尤其是计算机机能和GPU的改进，研究人员有了加倍丰富的想象空间。 2010年斯坦福的机械视觉实验室宣布了ImageNet项目。该项目包含1400万带有描述标签的图片。这个几乎已经成为了比较CNN模型的标准。今朝，最好的模型在这个数据集上能达到94%的精确率。人们赓续的改良模型来进步精确率。在2014年GoogLeNet 和VGGNet成为了最好的模型，而在此之前是ZFNet。CNN应用于ImageNet的第一个可行例子是AlexNet，在此之前，研究人员试图应用传统的计算机视觉技巧，但AlexNet的表示要比其他一切都赶过15%。让我们一路看一下LeNet：

这个图中并没有显示激活层，全部的流程是：

输入图片 →卷积层 →Relu → 最大年夜池化→卷积层 →Relu→ 最大年夜池化→隐蔽层 →Softmax (activation)→输出层。

让我们一路看一个实际的例子

下图是一个猫的图片：

　　推荐阅读

　　Python发送邮件脚本

在一些场景中经常须要发送邮件, 像是持续集成和运维报警等. 而应用Python脚本可以或许很快捷便利得实现发送各类邮件的需求.这里就经由过程Python基于SMTP(Simple Mail Transfer Protoco>>>详细阅读

本文标题：卷积神经网络实战——使用keras识别猫咪_

地址：http://www.17bianji.com/lsqh/34967.html

 1/2    1