开辟者大年夜赛路演 | 12月16日，技巧立异，北京不见不散

上世纪科学家们发清楚明了几个视觉神经特点，视神经具有局部感触感染眼，一整张图的辨认由多个局部辨认点构成；不合神经元对不合外形竽暌剐辨认才能，且视神经具有叠加才能，高层复杂的图案可以由低层简单线条构成。之后人们发明经由conclusional的操作，可以很好反竽暌钩视神经处理计算的过程，典范的是1998年LeCun创造的LeNet-5，可以极大年夜地晋升辨认效不雅。

本文重要就convolutional layer、pooling layer和整体CNN构造展开。

一、Convolutional Layer卷积层

1、道理和参数

可以模仿局部感触感染眼的性质，同上一层不是全连接，而是一小块区域连接，这一小块就是局部感触感染眼（receptive field）。并且经由过程构造特定的卷积神经元，可以模仿不合神经元对不合外形刺激不合反竽暌功的性质。如下图所示，一个神经元处理一层会形成一个feature map，独裁叠加，层数逐渐加深。

pooling这个操作不影响channel数，在feature map上也一般不做操作（即z轴一般不变），只改变横纵大年夜小。

感触感染眼（kernel或filter）的尺寸可以看做fh*fw，因为感触感染眼本身具有尺寸，feature map会赓续缩小，为了处理便利，使得每层大年夜小不变，于是我们每层加值为0的边（zero padding），包管经由处理今后的feature map同前一层尺寸一样。独裁之间的卷积运算操作，相当于和本来像素对应地位做乘法。如下左图所示，加了边后可以包管高低层大年夜小一致，右图表示每层之间convolve的操作（如不雅不加zero padding）。

但上图所示只是简单例子，一般扫描的是三维图像（RGB），就不是一个矩阵，而是一个立方体，我们用一个三维块去扫描它，道理同上图雷同。

有时扫描时不是次序去扫，而是跳跃着扫描，每次移动2-3个像素值（stride），但并非完全分别不会造成信息损掉，如许形成的feature map相较于原始图片缩小，实现信息集合的效不雅。

就像如下灰度图（2d）中所示，左边只提取竖线（vertical filter），右边只提取横线（horizontal filter）可看出横梁部分变亮，大年夜量不合的┞封样的filter（比如可以辨认界线、折线的filter）的叠加，可形成多张feature maps

下图是一个3d的RGB效不雅，每个kernel（filter）可以扫描出一张feature map，多个filter可以叠加出很厚的feature maps，前一层filter做卷积可以形成后一层的一个像素点

如下图，可以代表i行j列k深度的一个输出像素值，k’代表第k个filter，w代表filter中的值，x代表输入，b是偏值。

【编辑推荐】

1. 火爆的机械进修和人工智能，为安在金融业四处碰鼻？
2. Adobe颁布下一代Photoshop机械进修功能，抠图只需轻松一按
3. 深度进修和通俗机械进修之间有何差别？
4. 10个机械进修的JavaScript示例
5. Angel：一种新型分布式机械进修体系

2、TensorFlow实现

以下是应用TensorFlow实现的代码，重要应用conv2d这个函数

import numpy as np 
 
from sklearn.datasets import load_sample_images 
 
# Load sample images 
 
dataset = np.array(load_sample_images().images, dtype=np.float32) 
 
# 一共4维，channel表示通道数，RGB是3 
 
batch_size, height, width, channels = dataset.shape 
 
# 	
			
 1/3    1 2 3 下一页 尾页
	
			

　　推荐阅读
　　我是怎样爬下6万共享单车数据并进行分析的（附代码）
单车的应用频率越高共享的效不雅越好。大年夜摩拜单车的数据看，在流动的单车中，5次以下占据了60%阁下的出行。但1次、2次的也占据了30%阁下的份额，解释摩拜单车的应用率也不是很高。
            开辟者大年夜赛路>>>详细阅读


本文标题：「机器学习」彻底搞懂CNN
地址：http://www.17bianji.com/lsqh/39483.html
 1/2    1