cnnic 是什么网站,平面设计软件排行,一台主机多个wordpress,浙江省建设安监站网站一. CNN 算法概述 CNN的全称是Convolutional Neural Networks, ConvNets#xff0c;称之为卷积神经网络#xff0c;是深度学习的经典算法之一。
CNN一般用于图片分类、检索、人脸识别、目标定位等。在常规的图像处理的过程中#xff0c;存在以下两个问题#xff1a;
图像…一. CNN 算法概述 CNN的全称是Convolutional Neural Networks, ConvNets称之为卷积神经网络是深度学习的经典算法之一。
CNN一般用于图片分类、检索、人脸识别、目标定位等。在常规的图像处理的过程中存在以下两个问题
图像需要处理的数据量太大导致成本很高效率很低图像在数字化的过程中很难保留原有的特征导致图像处理的准确率不高。
而CNN很好的解决了这个问题
能够将大数据量的图片有效的降维成小数据量(并不影响结果)能够保留图片的特征类似人类的视觉原理
放在实际的例子中如图中CNN要做的事情是给定一张图片代表交通工具但是我不知道他具体是什么交通工具现在需要模型判断这张图片到底属于哪个分类。结果输出为车或者为船其实通俗的话来说就是对于物体的分类实别。 如上图所示要实别一张图片要经历上面几个层级结构CONV层 RELU层 POOL层和FC层。当然了看到这里你还是一脸懵逼这些都是什么东西当然了不要着急下面来详细介绍。
二. CNN层级结构 先来一个总结 CONV卷积计算层线性乘积求和。 RELU激励层捕捉复杂模式。 POOL池化层取区域平均或最大。 FC全连接层
好多人的文章写的太过复杂下面我们来通过例子来通俗化的讲解
2.1 CONV卷积层 举例说明当我们给定一个X的图案计算机怎么识别这个图案就是X呢 为了保证图形经过缩放或者变形都能被实别出来对于CNN来说它是一块一块地来进行比对。它拿来比对的这个“小块”我们称之为Features特征每一个Feature就像是一个小图就是一个比较小的有值的二维数组不同的Feature匹配图像中不同的特征。 那什么东西叫做特征呢例如下图所示输入图片是一个人的脑袋而人的眼睛是我们需要提取的特征那么我们就将人的眼睛作为Features特征通过在人的脑袋的图片上移动来确定哪里是眼睛。 而Features特征的比较CNN算法通常使用矩阵来进行。图形的本质就是一个二维矩阵那么对矩阵表示的图像进行内积操作逐个元素相乘再求和就是所谓的卷积其目的是用来提取图像的底层特征。
举例说明左边是图像输入中间部分就是滤波器filter滤波器是带着一组固定权重的神经元一般表示为二维矩阵该矩阵要比输入图像的二维矩阵要小或相等在输入图像的二维矩阵上不停的移动。不同的滤波器会得到不同的输出数据比如颜色深浅、轮廓。 放在代码中他可能就是这样图中左边部分是原始输入数据图中中间部分是滤波器filter【特征在代码中也称之为滤波器也可以称之为卷积核】图中右边是输出的新的二维数据。一般情况下通过滤波器图像的尺寸就会变小由此也可以提取出图像的特征信息。 听起来是不是好像有点复杂而在实际代码过程中其实就简单多了只需要调整参数即可如下代码。
from torch import nn
# 卷积层
self.c1 nn.Conv2d(in_channels4, out_channels32, kernel_size3, padding1)in_channels4这里表示输入通道为4即输入为图像的通道数比如RGB就是3通道图像RGBA就为4通道图像。out_channels32表示输出为32通道kernel_size3表示我们的滤波器filter为一个3*3的矩阵padding1表示在图像周围填充1圈数据大小为0的固定数据
这里好像又出现了一个新名词填充是啥。其实填充就是为了减少卷积操作导致的边缘信息丢失在图像周围填充固定数据一般就是0。
2.2 RELU激励层 用于引入非线性性质到神经网络中从而使其能够捕捉复杂的模式和特征。
常用的激励函数是ReLU它将张量的负值设置为零保持正值不变这个函数收敛快求梯度简单。
而把数据压缩到0-1有什么作用用处是这样一来便可以把激活函数看作一种“分类的概率”比如激活函数的输出为0.9的话便可以解释为90%的概率为正样本。
from torch import nn
# 激励层
self.ReLU nn.ReLU()2.3 池化层
对信号进行“收集” 并“总结”类似于水池收集水资源其目的是减小卷积层数据的维度。
收集由多变少图像的尺寸由大变小总结一般使用区域最大值表示
import torch.nn as nn
# 池化层
self.s1 nn.MaxPool2d(kernel_size2, stride1)kernel_size2表示卷积核为2stride1表示卷积核每次移动步长为1 2.4 FC全连接层 全连接层又称为线性层其每个神经元与上一层所有神经元相连实现对前一层的线性组合线性变换。其目的是汇总卷积层和池化层得到的图像的底层特征和信息。
线性层的数学表示为 o u t p u t i n p u t × w e i g h t T b i a s outputinput×weight^Tbias outputinput×weightTbias
其中input 是输入数据的张量weight是权重矩阵bias 是偏置向量。
但是这个在代码里面表示也很简单如下所示。
import torch.nn as nn
# 全连接层
self.f3 nn.Linear(6400,512)表示输入通道为6400输出通道为512。此时如果再来一个输出层
self.f4 nn.Linear(512, 5)表示输入通道为512输出为5此时的5一般就表示分类的数量例如要区分5种不同的车。
三. 总结 CNN结构类似于一个水流结构对一张图片拆分再拆分来捕捉其特征到此为止整个CNN实别过程结束。 主要参考文献CNN笔记通俗理解卷积神经网络
