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

发布时间:2024年01月20日

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颜色。 那么计算机是如何处理这张图像的呢?

纽约天际线?

图像分为3 个颜色通道,即红、绿蓝。 每个颜色通道都映射图像的像素。

图像处理?

然后,计算机识别与 每个像素相关 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:

卷积神经网络?

在这里,我们考虑了 大小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 权重

但这种情况并不实用。现在,看看这个:

卷积神经网络2?

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,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。

猫图像处理?


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:

卷积神经网络 - Edureka? 外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传

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。

卷积神经网络 - Edureka?

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。

卷积神经网络 - Edureka?

现在, 如果我们通常搜索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?

卷积神经网络 - Edureka?

我们采用称为过滤器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
  • 每个图像像素乘以相应的特征像素
  • 将值相加并求出 总和
  • 总和除以特征中的像素总数

卷积神经网络 - Edureka?

卷积神经网络 - Edureka?

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。

卷积神经网络 - Edureka?

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中心,如下所示:

卷积神经网络 - Edureka?

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:

卷积神经网络 - Edureka?

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:

卷积神经网络 - Edureka?

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:

卷积神经网络 - Edureka?

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:

ReLU层?

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:

ReLU 的工作原理?

为什么这里需要 ReLU?

卷积神经网络 - Edureka?

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:

卷积神经网络 - Edureka?

因此,在处理这个特定功能后,我们得到以下输出:

卷积神经网络 - Edureka?

现在,类似地,我们也对所有其他特征图像执行相同的过程:

卷积神经网络 - Edureka?

来自卷积层的输入可以被 平滑 ,以降低 滤波器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 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。

卷积神经网络 - Edureka

文章来源:https://blog.csdn.net/AAI666666/article/details/135713124
本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。