什么是卷积神经网络 完整的卷积神经网络 CNNS解析

来源：

在当今时代，机器在理解和识别图像中的特征和目标方面已经成功实现了99%的准确率。我们每天都看到这一点——智能手机可以识别相机中的人脸；能够使用谷歌图片搜索特定的照片；扫描条形码或书籍中的文本。这一切都有可能借助于卷积神经网络(CNN)，这是一种特定类型的神经网络，也称为卷积网络。

如果你是一个深度学习爱好者，你可能听说过卷积神经网络，你甚至可能自己开发了一些图像分类器。Tensorflow和PyTorch等现代深度学习框架使得从机器学习图像变得很容易。但是还存在一些问题：数据如何通过神经网络的人工层？计算机如何从中学习？更好地解释卷积神经网络的一种方法是使用PyTorch。所以，让我们通过可视化每一层的图像来深入研究CNN。

卷积神经网络的解释什么是卷积神经网络？

卷积神经网络(CNN)是一种特殊类型的神经网络，它在图像中的表现尤其出色。卷积神经网络是由严乐存在1998年提出的，可以识别给定输入图像中的数字。

在使用卷积神经网络之前，了解神经网络的工作原理很重要。神经网络模拟人脑如何解决复杂问题，并在给定的数据集中找到模式。在过去的几年里，神经网络已经席卷了许多机器学习和计算机视觉算法。

神经网络的基本模型由组织在不同层中的神经元组成。每个神经网络都有一个输入层和一个输出层，根据问题的复杂程度增加了许多隐含层。一旦数据通过这些层，神经元将学习和识别模式。神经网络的这种表示称为模型。训练完模型后，我们要求网络根据测试数据进行预测。如果您不熟悉神经网络，这篇关于使用Python进行深度学习的文章是一个很好的起点。另一方面，CNN是一种特殊的神经网络，它在图像中的表现特别好。卷积神经网络是由严乐存在1998年提出的，可以识别给定输入图像中的数字。使用CNN的其他应用包括语音识别、图像分割和文本处理。在卷积神经网络之前，用多层感知器(MLP)构造图像分类器。

图像分类是指从多波段栅格图像中提取信息类别的任务。多层感知器需要更多的时间和空间来寻找图片中的信息，因为每个输入函数都需要与下一层的每个神经元相连。CNN通过使用一种称为局部连接的概念取代了MLP，这种概念涉及到将每个神经元仅连接到输入量的局部区域。通过允许网络的不同部分专门处理高级功能，如纹理或重复图案，可以最大限度地减少参数的数量。迷茫？别担心。为了更好的理解，我们来比较一下图像是如何通过多层感知器和卷积神经网络传输的。

考虑到MNIST数据集，比较MLPS和CNN，由于输入图像的大小是2828=784，多层感知器的输入层总数将是784。网络应该能够预测给定输入图像中的数字，这意味着输出可能落入以下范围中的任何一个，范围从0到9(1、2、3、4、5、6、:010)。在输出层，我们返回类别分数。例如，如果给定的输入是数字为“3”的图像，则在输出层中，对应的神经元“3”具有比其他神经元更高的类别分数。我们需要包含多少隐层，每一层要包含多少神经元？这是一个编码MLP的例子：

上面的代码片段是用一个叫Keras的框架实现的(暂时忽略语法)。它告诉我们第一个隐层有512个神经元，以784的形状连接到输入层。这个隐藏层之后是一个随机的失活层，它克服了过拟合的问题。0.2表示第一个隐层后不考虑神经元的可能性为20%。第三，我们在第二个隐藏层中添加了与第一个隐藏层中相同数量的神经元(512)，然后添加了另一个随机失活。最后，我们以包含10个类的输出层结束这组层。具有最高值的类将是模型预测结果。

这是定义了所有层后网络的多层外观。这种多层感知器的一个缺点是全连接进行网络学习，需要更多的时间和空间。MLP只接受向量作为输入。

卷积层不使用全连通层，而是使用稀疏连通层，即它们接受矩阵作为输入，这比MLP更有优势。输入要素连接到本地编码节点。在MLP，每个节点负责获得对全局的理解。在CNN中，我们将图像分解成区域(像素的局部区域)。每个隐藏节点必须输出一个层报告，其中输出层组合接收到的数据以找到模式。下图显示了这些层是如何在本地连接的。

在我们知道CNN如何在图片中寻找信息之前，我们需要知道如何提取特征。卷积神经网络使用不同的层，每一层都会保存图像中的特征。例如，考虑一张狗的图片。每当网络需要对狗进行分类时，它都要识别所有的特征——眼睛、耳朵、舌头、腿等等。使用过滤器和核心，这些特征在网络的本地层被分解和识别。

电脑是怎么看图像的？

与人类用眼睛认识图像的计算机不同，计算机使用一组0到255之间的像素值来理解图像。计算机查看这些像素值并理解它们。乍一看，它不知道物体或颜色，只识别像素值，这就是图像在计算机中使用的全部。

在分析完像素值后，计算机会慢慢开始理解图像是灰色还是彩色。它知道区别，因为灰色图像只有一个通道，因为每个像素代表一种颜色的强度。零代表黑色，255代表白色，还有其他黑白的变体，也就是介于两者之间的灰色。另一方面，彩色图像有三个通道——红色、绿色和蓝色。它们代表三种颜色(3D矩阵)的强度，当数值同时变化时，就会产生很多颜色！在确定颜色属性后，计算机将识别图像中物体的曲线和轮廓。

您可以使用PyTorch在卷积神经网络中探索这一过程，以加载数据集并对图像应用过滤器。下面是一段代码。(你可以在GitHub上找到这段代码。)

现在，让我们看看如何将单个图像输入到神经网络中。

(你可以在GitHub上找到这段代码。)

img=NP . squeeze(images[7])fig=PLT . figure(fig size=(12，12))ax=fig . add _ subplot(111)ax . im show(img，cmap='gray')width，height=img . shape thresh=img . max()/2.5 for x in range(width):for y in range(height):val=round(img[x][y]，2) if img[x][y]！=0 else 0 ax。Annotate (str (val)，xy=(y，x)，color=' white' if img [x] [y]这是将数字“3”分解成像素的方式。从一组手写数字中，随机选择“3”，其中显示像素值。这里，ToTensor()将实际像素值(0255)归一化，并将其限制在0到1之间。为什么？因为，这使得后面部分的计算更容易，无论是在解读图像，还是在图像中寻找共同的模式。

在卷积神经网络中构建自己的过滤器，对图像中的像素信息进行过滤。为什么我们完全需要过滤器？就像孩子一样，计算机也需要经历理解图像的学习过程。还好不用几年！计算机通过从开始学习，然后一步一步地进步到整体来完成这项任务。因此，网络必须首先知道图像的所有原始部分，如边缘、轮廓和其他低级特征。一旦检测到这些，计算机就可以处理更复杂的功能。总之要先提取低级函数，再提取中级函数，再提取高级函数。过滤器提供了一种提取信息的方式。低级特征可以使用特定的过滤器来提取，该过滤器也是类似于图像的一组像素值。可以理解为CNN中连接各层的权重。将这些权重或滤波器与输入相乘，得到一个中间图像，它代表计算机对图像的部分理解。然后，这些副产品乘以更多的过滤器来扩展视图。这个过程和对函数的检测一直持续到计算机知道它的出现。您可以根据需要使用任意数量的过滤器。你可能需要模糊，锐化，加深，边缘检测等。-所有过滤器。让我们看一些代码片段来理解过滤器的功能。

这是应用滤镜后图像的外观。在这种情况下，我们使用Sobel滤波器。

完全卷积神经网络

我们已经知道滤波器如何从图像中提取特征，但为了完成整个卷积神经网络，我们需要了解用于设计CNN的层。

卷积神经网络中的每一层称为：

卷积层

游泳池层

全连接层

使用这三层，可以构建这样的图像分类器：

CNN层的作用

现在让我们来看看每一层是用来做什么的。

卷积层——的卷积层(conv)在扫描输入图像的尺寸时使用滤波器执行卷积运算。其超参数包括滤波器尺寸，通常设置为2x2，3x3，4x4，5x5(但不限于这些尺寸)和步长。输出结果(O)称为特性图或激活图，它包含输入层和过滤器计算的所有特性。下图描述了应用卷积时生成的特征图：

卷积运算

池图层——池图层用于对要素进行下采样，通常在卷积图层之后应用。常见的两种池化操作是最大池化和平均池化，分别得到特征的最大值和平均值。下图描述了池化的基本原理：

最大池化

平均池

全连接层——全连接层(FC)作用于平面输入，其中每个输入都连接到所有神经元。全连接层通常用在网络的末端，隐藏层连接到输出层，有助于优化类得分。

全连接层

在Pytorch中可视化CNN

现在我们对CNN的功能有了更好的理解，让我们使用脸书的PyTorch框架来实现它。

步骤1:加载输入图像。我们将使用Numpy和OpenCV。(代码可以在GitHub上找到)

第2步：可视化过滤器，以更好地理解我们将使用的过滤器。(代码可以在GitHub上找到)

第三步：定义卷积神经网络。CNN有一个卷积层和一个最大池层，权重使用上面的过滤器初始化：(代码可以在GitHub上找到)

步骤4:可视化过滤器。快速查看一下正在使用的过滤器。(代码可以在GitHub上找到)

def viz_layer(layer，n_filters=4):fig=PLT . figure(fig size=(20，20))for I in range(n _ filters):ax=fig . add _ subplot(1，n _ filters，I 1)ax . im show(NP . squeeze(layer[0，i].data.numpy())，cmap=' gray ')ax . set _ title(' Output % s ' % str(I 1))fig=PLT . fig(fig size=(12，6))fig . subplot _ adjust(leftFrom _ numpy (gray _ img)。Unsqueeze(。

步骤5:跨层滤波器输出。在卷积神经和泳池层中输出的图像如下所示。

viz _层(激活层)卷积层

池化层

参考：cs 230 CNN(https://斯坦福。edu/~谢尔文/教学/cs-230/小抄-卷积神经网络)。

可以在这里查看代码：https://github。com/VI har/visualizing-CNN

标签：图像卷积层

卷积