深度学习为何可以实现图像的分类

本笔记为自用，倘若没有相关的学习基础，也确实无法看懂文章写的是什么。

近来有点越学越回去的感觉。竟然突然在想，为什么深度学习模型可以对图像进行分类或者语义分割。

可怕的是，当时想到这里，一下子愣住了：是啊，模型是怎么做到的呐？

好在想了一下，又想起来了。好记性不如烂笔头，还是把自己的想法记录下来，希望下次自己再想不起来的时候，能想到自己做了笔记，并且通过看笔记解决问题。

深度学习使用的数据，以MNIST手写字体识别数据和Kaggle平台猫狗识别数据为例——数据可以分成两个：

• 图像

  
  



• 标签

  
  

  这里举例的数据使用的标签转换成了One-Hot形式，倘若是语义分割使用图像作为label，也可以按照这个思路来理解

  手写字体识别的标签是0-9共10个数字

  猫狗识别的标签是dog和cat，在模型中可以以0和1来替代字符串dog和cat

  当然最后应当都需要使用One-Hot编码格式

  
  

  之所以使用One-Hot编码格式，因为深度学习任务中，特征不是连续的值（如dog和cat之类的），将这些数据用数字来表示，执行的效率会高很多

  独热编码One-Hot参考下面的网址进行学习，在此不做赘述

  
  

  机器学习之独热编码（One-Hot）详解（代码解释）

  
  

  
  

  
  

  
  

那么，深度学习的模型是如何通过对图像和label的学习，来做到：给定一张模型没有见过的图像，较准确的识别的呐？

以上面图像（猫狗识别为例）的网络模型为例。

图中显示了四个层。从左往右依次可以视作为：输入层——中间隐藏层1——中建隐藏层2——判断层

中间隐藏层可以是全连接，也可是是卷积层。这些并没有什么大碍。在这里理解为是具有学习能力的神经即可。

图像和label一定要一一对应，这些都是可以通过数据处理来做到的。

比如MNIST数据集，可以直接使用深度学习模型框架里现成的数据。

如果是猫狗数据集，我们都知道，存储狗的图像的文件夹的名字就是dog，存储猫的图像的文件夹的名字是cat。不会再有其他额外的文件夹了。那么我们就可以，利用文件夹的名字，与文件的地址相对应（好像记得可以这么做，忘得有点多。），以此来给图片打标签。

我们通过Tensorflow的数据通道，将图像输入到模型中。它的判断流程应当是这样的：

• 图像输入进去，在模型中进行各种变化。最后通过softmax或者sigmoid激活函数激活，得到图像可能是各个label的概率。然后，概率最大的哪个label就是真正的类别。


• 上面是第一次的运行。那它到底是如何进行判断的呐？发现在模型的运行过程中，label是没有在其中参与什么进程的。但是label明明是指引模型进行正确的判断的。


• 原来，模型的第一次运行得到的结果，是随便做的一个猜测。没有任何依据。但是一旦它得到一个结果了，就可以与我们的label进行想匹配，进行一个学习。通过损失函数，反向传播，调整参数。


• 当数据量足够大以后，模型学习到的参数就能学习并预测到这张图像的label，此时再与人为设定的label作比较，发现两者相等，损失函数就不会变化。这样准确的结果出现的次数逐渐增多的情况下，模型的精确度就会逐渐提高，直到无法再提高。


• 这样模型的训练就结束了。而模型的预测就是利用训练好的参数，其实就是重复第一步。要说预测与训练的区别的话
  
  
  
  • 预测是应用已有的模型参数，而训练是来学习然后生成参数
  
  
  • 预测其实就是训练的第一步。但预测不用反向传递来让模型纠正
  
  
  
  

综上，就是我对深度学习的模型可以分类/分割图像的看法。不知道下一次再忘记的时候来回顾的话，还能不能看得懂……