60 lines
3.8 KiB
Markdown
60 lines
3.8 KiB
Markdown
### 卷积神经网络介绍
|
||
|
||
**CNN 是什么？**
|
||
|
||
**卷积神经网络**是一种专门用于处理具有类似网格结构数据（如图像）的**深度学习**模型。它的灵感来源于人脑的**视觉皮层**，该皮层中的神经元只对视野中的特定区域敏感
|
||
|
||
简单来说，CNN 的核心思想是：**与其让模型去一次性地看一张完整的图片，不如让它通过一个“小窗口”去扫描图片，逐块地提取特征，然后再把这些局部特征组合起来，形成对整个图像的理解。** 这种“局部到整体”的处理方式，使得 CNN 在图像识别、目标检测等领域取得了巨大成功
|
||
|
||
**CNN 的核心构成**
|
||
|
||
一个典型的 CNN 主要由以下几个核心层组成：
|
||
|
||
**1. 卷积层**
|
||
|
||
这是 CNN 最核心的部分。它通过一个被称为**卷积核**（Kernel）或**滤波器**（Filter）的小窗口，在输入图像上进行滑动扫描
|
||
|
||
- **卷积核**：这个小窗口是一个矩阵，里面装着一系列权重
|
||
- **滑动**：卷积核从图像的左上角开始，以一定的步长（Stride）向右和向下移动
|
||
- **计算**：在每一次滑动到新位置时，卷积核会与它覆盖的图像区域进行**点乘**（Element-wise Multiplication），然后将结果相加，得到一个新的数值。这个新的数值代表了该区域的特征
|
||
- **特征图**（Feature Map）：卷积核在整个图像上滑动完成后，会生成一个由这些新数值组成的矩阵，我们称之为**特征图**。这个特征图捕捉了图像中某种特定的局部特征，比如边缘、纹理或颜色
|
||
|
||
通过使用多个不同的卷积核，我们可以提取出图像中多种多样的特征
|
||
|
||
**2. 激活层**
|
||
|
||
在卷积层计算出结果后，通常会紧跟一个**激活函数**，例如 **ReLU**（Rectified Linear Unit）
|
||
|
||
- **作用**：激活函数引入了**非线性**。如果没有激活函数，神经网络无论有多少层，最终都只会是线性的，无法学习和表达复杂的模式
|
||
- **ReLU**：它的工作原理非常简单：`ReLU(x) = max(0, x)`。如果输入值大于0，它就保持不变；如果小于等于0，它就变为0。这使得模型能够更好地学习复杂的、非线性的特征
|
||
|
||
**3. 池化层**
|
||
|
||
池化层的作用是**压缩特征图**，减少数据维度，从而：
|
||
|
||
- **减少参数数量**：降低计算量，防止**过拟合**
|
||
- **增强特征的鲁棒性**：使得模型对图像中的小幅平移、旋转或缩放变化不那么敏感
|
||
|
||
最常用的池化方法是**最大池化**（Max Pooling）：在一个小区域内（比如2x2），只保留最大的那个值，而舍弃其他值
|
||
|
||
**4. 全连接层**
|
||
|
||
在经过多层卷积和池化之后，图像的特征被抽象和压缩。这时，我们通常会使用一个或多个**全连接层**
|
||
|
||
- **作用**：全连接层将前面所有提取到的局部特征**整合**起来，进行更高层次的抽象
|
||
- **工作方式**：全连接层中的每个神经元都与前一层的所有神经元相连，就像传统的神经网络一样。
|
||
|
||
**5. 输出层**
|
||
|
||
全连接层的最后一层通常是**输出层**，它负责给出最终的预测结果
|
||
|
||
- **分类问题**：如果是一个图像分类任务，输出层会使用 **Softmax** 激活函数来输出每个类别的概率
|
||
|
||
**CNN 的工作流程概览**
|
||
|
||
1. **输入**：一张原始图像
|
||
2. **多层卷积和激活**：通过多层**卷积层**和**激活层**，从图像中逐步提取出越来越抽象的特征，比如从边缘、纹理到物体的局部、再到完整的物体
|
||
3. **多层池化**：在卷积层之间插入**池化层**，对特征图进行下采样，减少计算量，并增强模型对图像变化的鲁棒性
|
||
4. **展平（Flatten）**：将最终的特征图**展平**成一个一维的向量
|
||
5. **全连接层**：将这个向量输入到**全连接层**中，进行分类或回归
|
||
6. **输出**：输出最终的预测结果 |