卷积神经网络教程 (CNN) – 使用 TensorFlow 在 Python 中开发图像分类器

在这篇博客中，让我们讨论什么是卷积神经网络 (CNN) 以及?卷积神经网络背后的架构——旨在解决?图像识别系统和分类问题。?卷积神经网络在图像和视频识别、推荐系统和自然语言处理方面有着 广泛的应用。

计算机如何读取图像？

考虑这张纽约天际线的图像，第一眼你会看到很多建筑物和颜色。 那么计算机是如何处理这张图像的呢？

?

图像分为3 个颜色通道，即红、绿和蓝。 每个颜色通道都映射到图像的像素。

?

然后，计算机识别与 每个像素相关 的值并确定图像的大小。

然而，对于黑白图像，只有一个通道，概念是相同的。

---

为什么不是全连接网络？

当涉及到卷积神经网络时，我们无法使用全连接网络，原因如下！

考虑下图：

?

在这里，我们考虑了 大小为28x28x3像素的图像输入。如果我们将其输入到卷积神经网络，则第一个隐藏层本身将有大约2352个 权重。

但这种情况并不实用。现在，看看这个：

?

任何通用输入图像的 大小至少为200x200x3像素。第一个隐藏层的大小变成了惊人的 120,000。如果这只是第一个隐藏层，想象一下处理整个复杂图像集所需 的神经元数量。

这会导致过度拟合并且不切实际。因此，我们无法利用完全连接的网络。

---

什么是卷积神经网络？

卷积神经网络与神经网络一样，由具有可学习 权重和偏差的 神经元组成。每个神经元接收多个输入，对它们进行加权求和，将其传递给 激活 函数并以输出响应。

整个网络具有损失?函数，我们为神经网络开发的所有提示和技巧仍然适用于卷积神经网络。

很简单，对吧？

神经网络，顾名思义，是一种模仿大脑结构的 机器学习技术。它由称为神经元的学习单元网络组成。

这些神经元学习如何将?输入信号?（例如猫的图片）转换为相应的?输出信号?（例如标签“猫”），形成自动识别的基础。

我们以自动图像识别为例 。 确定 图片是否包含猫的过程涉及?激活函数。如果图片与神经元之前见过的猫图像相似， “猫” 标签就会被激活。

因此， 神经元接触到的标记图像越多，它就越能学会如何识别其他未标记的图像。我们称之为训练神经元的过程??。

---

卷积神经网络的起源

神经网络的智能是不可思议的。 虽然Rosenblatt早在20 世纪 60 年代就 开始研究人工神经网络 ， 但直到2000 年代末，使用神经网络的深度学习才开始兴起。 关键的推动因素是 计算能力和数据集的规模，而谷歌在深度学习方面的开创性研究。2012 年 7 月，谷歌的研究人员将先进的神经网络暴露于从?网络上截取的一系列未标记的静态图像视频。

令他们惊讶的是， 他们发现神经网络自己学习了一个猫检测神经元 ，这支持了 “互联网是由猫组成的” 这一流行说法。

?

---

卷积神经网络如何工作？

在卷积神经网络中我们应该理解四个分层 概念：

1. 卷积，
2. 热卢,
3. 汇集和
4. 全连接（全连接层）。

让我们首先看一个简单的例子：

CNN 示例：

考虑下图：

?

这里，有 X 和 O 的多种演绎。这使得计算机很难识别。但目标是，如果输入信号看起来像以前看过的图像， “图像”参考信号将混合到输入信号中，或与输入信号 进行卷积。然后将所得的输出信号传递到下一层。

?

因此，计算机可以理解每个像素。在本例中，白色像素为**-1**，而黑色像素为1。 这正是我们在基本二元分类中实现区分像素的方法。

?

现在， 如果我们通常搜索并比较普通图像和另一个“x”再现之间的值，我们会得到很多丢失 的像素。

那么，我们该如何解决这个问题呢？

?

我们采用称为过滤器的小块像素并尝试匹配?将它们放在相应的附近位置，看看我们是否得到匹配。 通过这样做，卷积神经网络在发现相似性方面比直接尝试匹配整个图像要好得多 。

---

图像的卷积

卷积具有平移不变性的良好特性?。直观上，这意味着每个卷积滤波器代表一个感兴趣的特征（例如 字母中的像素） ，并且卷积神经网络算法学习哪些特征构成最终的参考（即字母表）。

我们有4 个卷积步骤：

• 将特征和图像对齐
• 将每个图像像素乘以相应的特征像素
• 将值相加并求出 总和
• 将总和除以特征中的像素总数

?

?

考虑上图 - 正如您所看到的，我们已经完成了前2 个步骤。我们考虑了一张特征图像和其中的一个像素。 我们将其与现有图像 相乘，并将乘积存储在另一个缓冲区特征图像中。

?

通过这张图片， 我们完成了最后2 个步骤。 我们将得出总和的值相加 。 然后，我们将该数字除以特征图像中的像素总数 。 完成后，获得的最终值将放置在滤波图像的中心，如下所示：

?

现在，我们可以移动这个?滤镜，并对图像中的任何像素执行相同的操作。 为了更清楚起见， 让我们考虑另一个例子：

?

如您所见，执行前 4 个步骤后，我们的值为 0.55！我们采用该值并将其放置在图像中，如前所述。这是在下图中完成的：

?

类似地，我们将特征移动到图像中的每个其他位置，并查看该特征如何与该区域匹配。因此，完成此操作后，我们将得到输出：

?

这里我们只考虑一种过滤器。类似地，我们将与其他每个过滤器执行相同的卷积以获得该过滤器的卷积。

输出信号强度不取决于特征所在的位置，而仅取决于特征 是否存在 。 因此，字母表可能位于不同的位置?，卷积神经网络算法仍然能够识别它。

---

ReLU层

ReLU 是一种激活函数。但是，什么是激活函数？

整流线性单元（ReLU）变换函数仅在输入高于一定量时才激活节点，而输入低于零时，输出为零，但当输入上升到一定阈值以上时，与输入呈线性关系。因变量。

考虑下面的例子：

?

我们考虑了一个具有上述值的简单函数。因此，只有当该值是由因变量获得时，该函数才会执行操作。对于本示例，获得以下值：

?

为什么这里需要 ReLU？

?

主要目的是消除卷积中的所有负值。所有正值保持不变，但所有负值都更改为零，如下所示：

?

因此，在处理这个特定功能后，我们得到以下输出：

?

现在，类似地，我们也对所有其他特征图像执行相同的过程：

?

来自卷积层的输入可以被 “ 平滑 ” ，以降低 滤波器对噪声和变化的敏感性 。?这种平滑过程称为?子采样，可以通过对信号样本取平均值或取最大值来 实现。

---

池化层

在这一层中，我们将图像堆栈缩小到更小的尺寸。 池化是在经过激活层 之后完成的。我们通过实施以下 4 个步骤来做到这一点：

• 选择窗口大小（通常为 2 或 3）
• 选择步幅（通常为 2）
• 在经过过滤的图像上 走过你的窗户
• 从每个窗口中取最大值

让我们通过一个例子来理解这一点。考虑使用窗口大小为 2 且步长也为 2 来执行池化。