机器学习——卷积神经网络(CNN)

相关文章链接

        机器学习——人工神经网络(NN)

        机器学习——循环神经网络(RNN)

        机器学习——长短期记忆(LSTM)

        机器学习——决策树(decision tree)

        机器学习——随机森林(Random forest)

        机器学习——梯度提升决策树(GBDT)

        机器学习——XGboost模型

卷积神经网络(CNN

一、卷积神经网络定义

卷积神经网络(Convolutional Neural Networks, CNN)是一类包含卷积计算且具有深度结构的前馈神经网络(Feedforward Neural Networks),是深度学习(deep learning)的代表算法之一。卷积神经网络具有表征学习(representation learning)能力,能够按其阶层结构对输入信息进行平移不变分类(shift-invariant classification),因此也被称为“平移不变人工神经网络(Shift-Invariant Artificial Neural Networks, SIANN)”。

简而言之,卷积神经网络(Convolutional Neural Networks)是一种深度学习模型或类似于人工神经网络的多层感知器,常用来分析视觉图像。

二、卷积神经网络的特点

(1)能够有效的将大数据量的图片降维成小数据量。

(2)能够有效的保留图片特征,符合图片处理的原则。

三、卷积神经网络的层级架构

传统神经网络

 卷积神经网络

一个卷积神经网络主要由以下5层组成:

1、数据输入层(Input Layer):该层要做的处理主要是对原始图像数据进行预处理。

2、卷积层Convolutional layer):卷积层通过卷积核的过滤提取出图片中局部的特征

卷积层的运算过程

3、线性整流层(ReLu Layer)这一层神经的活性化函数(Activation function)使用线性整流(Rectified Linear Units, ReLU)f(x)=max(0,x)。

4、池化层Pooling layer池化(pool)即下采样(down samples),目的是为了减少特征图。池化层夹在连续的卷积层中间,用于压缩数据和参数的量,减小过度拟合。简而言之,如果输入的是图像的话,那么池化层的最主要作用就是压缩图像。

5、全连接层Fully-Connected layer):把所有局部特征结合变成全局特征。经过卷积层和池化层降维过的数据,全连接层才能“跑得动”,不然数据量太大,计算成本高,效率低下。

四、卷积神经网络的优缺点

优点:

  1. 共享卷积核,对高维数据处理无压力
  2. 无需手动选取特征值,特征分类效果好

缺点:

  1. 需要调参,需要大样本量,训练最好要GPU
  2. 物理含义不明确(不知道每个卷积层到底提取的是什么特征,而且神经网络本身就是一种难以解释的“黑箱模型”)

五、卷积神经网络的实际应用

(1)图像分类、检索。如:图像搜索等。

(2)目标定位检测。可以在图像中定位目标,并确定目标的位置及大小,如:自动驾驶、安防、医疗等。

(3)目标分割。对前景和背景进行像素级的区分,如美图秀秀、视频后期加工、图像生成等。

(4)人脸识别。

(5)骨骼识别。可以识别身体的关键骨骼,以及追踪骨骼的动作,如电影、图像视频生成、游戏等。

作者:白天数糖晚上数羊原文地址:https://blog.csdn.net/beiye_/article/details/123444653

%s 个评论

要回复文章请先登录注册