热门标签 | HotTags
当前位置:  开发笔记 > 人工智能 > 正文

吴恩达深度学习之卷积神经网络(一)卷积神经网络

1、计算机视觉   2、边缘检测示例说明:比如,一张图片由亮到暗,中间就会有一条边缘线,通过卷积后得到的图片会出现一条白色带,这也就检测出了图片中的边缘线。这张所给的图片比较小,所

1、计算机视觉

 

 

吴恩达深度学习之卷积神经网络(一)卷积神经网络

 吴恩达深度学习之卷积神经网络(一)卷积神经网络

2、边缘检测示例

吴恩达深度学习之卷积神经网络(一)卷积神经网络

吴恩达深度学习之卷积神经网络(一)卷积神经网络

吴恩达深度学习之卷积神经网络(一)卷积神经网络

说明:

比如,一张图片由亮到暗,中间就会有一条边缘线,通过卷积后得到的图片会出现一条白色带,这也就检测出了图片中的边缘线。这张所给的图片比较小,所以白色带会比较明显,如果给一张很大的图片,那么白色带会变成一条线,也就不明显了。这个过程在上面所给的例子中有所体现,卷积后边缘会显示出白色线条。

3、更多边缘检测内容

吴恩达深度学习之卷积神经网络(一)卷积神经网络

吴恩达深度学习之卷积神经网络(一)卷积神经网络

吴恩达深度学习之卷积神经网络(一)卷积神经网络

4、padding

吴恩达深度学习之卷积神经网络(一)卷积神经网络

吴恩达深度学习之卷积神经网络(一)卷积神经网络

说明:

卷积后的缺点:
1、卷积后图像会缩小。如果一个神经网络有100层的话,每一层都卷积一下,那么这张图片最后会变的很小。
2、图像的角落,或者边上只会被fitter过滤一次,而中间的会被fitter过滤多次,这样就意味着卷积出来对图像的边角位置欠考虑。
比如,如果输入的图片边角也有比较明显的物体,那么就检测不到。


这就引入了padding方法:
沿着图片边缘再填充一些图像。如:如果输入的是一个6*6的图片,在该图片边缘再填充,使该图片为8*8的图片,卷积后就会得到6*6
的图片,这和本来输入的图片大小一致,这就解决了缺点1。习惯上用0去填充。padding可以为1也可以为2等等,具体情况具体分析。
同时也解决了问题。


通常,fitter一般使用奇数滤波器。

5、卷积步长

吴恩达深度学习之卷积神经网络(一)卷积神经网络

吴恩达深度学习之卷积神经网络(一)卷积神经网络

吴恩达深度学习之卷积神经网络(一)卷积神经网络

当[(n+2p-f)\s]+1不是整数时,往下取整数,但这有一个前提,就是当滤波器没有完全被图片包围时,就不要去计算了。
这样就有一个疑问了,添加padding层不就没发挥作用吗?

一般卷积(数学或者信号处理中)会对fitter进行翻转处理,但深度学习中不需要。

6、卷积为何有效

当想知道R这一层的垂直边缘时,可以把滤波器除R这一层的数值设为0,这样就检测出R层的垂直边缘了。
也可以用两个滤波器分别检测彩色图片的垂直边缘和水平边缘,输出的图片维度为x1*x2*x3,其中x3为滤波器的个数。

问题:如何在卷积后区分R,G,B分别的垂直边缘,水平边缘,换句话说,卷积后得出的图片不就成黑白图片了吗?

答:图片的色彩是由灰度构成的,RGB三个通道分别有不同的灰度,一组成就成了彩色图片。

这个问题暂且不谈,先看视频
可以这样理解,为什么可以这样做,这是对图片的一种处理方法,比如黑白照片的水平边缘化和垂直边缘化也是对图片的处理
方法,比如说,黑白照边缘化处理后,就能提取该图片的特征(fitter后得出的数字网格图每一个数字都是特征),从而做下
一步提取,而彩色图片也是一样的,用fitter的目的是去提取图片的特征,一步一步深化。
总体来说,就是一种处理彩色图片的方法罢了,而为什么可以用这种方法,黑白照片的处理可以为一个解释,但深化的解释视频
中也没说,我们就当成数学家们的严谨推导得出来的证明吧,这不是我们需要做的工作,我们会用就可以了。

RGB图片卷积:

吴恩达深度学习之卷积神经网络(一)卷积神经网络

吴恩达深度学习之卷积神经网络(一)卷积神经网络

吴恩达深度学习之卷积神经网络(一)卷积神经网络

7、卷积计算小结

吴恩达深度学习之卷积神经网络(一)卷积神经网络

吴恩达深度学习之卷积神经网络(一)卷积神经网络

8、简单卷积网络示例

吴恩达深度学习之卷积神经网络(一)卷积神经网络

 

吴恩达深度学习之卷积神经网络(一)卷积神经网络

该实例用来做图片分类问题:

最终提取出7*7*40=1960个特征

然后对这些特征展开成一个很长的向量,进行逻辑回归或者softmax处理来判断。
卷积神经网络包括三部分:
卷积层
池话层(一般我们有最大池化和平均池化,而最大池化就我认识来说是相对多的。需要注意的是,池化层一般放在卷积层后面。所以池化层池化的是卷积层的输出!
全连接层

9、池化层

分为平均池化和最大池化

吴恩达深度学习之卷积神经网络(一)卷积神经网络

吴恩达深度学习之卷积神经网络(一)卷积神经网络

吴恩达深度学习之卷积神经网络(一)卷积神经网络

吴恩达深度学习之卷积神经网络(一)卷积神经网络

池化层:
用fitter筛选最大值
可以把左边的4*4当做某种特征的集合,用池化算子提取出某种特征,可能是一种垂直边缘,一只眼睛,或者是CAP特征,这个特征可能是
一个猫眼探测器。
如果输入图片是一个多信道(多维)图片,那么输出也是一个多维图片。
平均池话层:
用fitter去寻找平均值。
池化过程中没有需要学习的参数,它是神经网络中的一种静态属性。

10、卷积神经网络示例

letnet-5:

吴恩达深度学习之卷积神经网络(一)卷积神经网络

吴恩达深度学习之卷积神经网络(一)卷积神经网络

吴恩达深度学习之卷积神经网络(一)卷积神经网络

上面第二层网络后将特征打散,然后通过一个全连接层,全连接层是一个单层神经网络,将400个特征变成200个特征。然后再
通过一个全连接层,将特征变为84个特征,最后通过**函数softmax。

如果是手写体识别图片,那么softmax将会输出10个东西。

关于超级参数怎么选择,比如池话层中fitter中超级参数的选择,池化层没有需要训练的参数,但有超参数,这些参数不要随意选择,
后期会讲。

11、为什么用卷积

吴恩达深度学习之卷积神经网络(一)卷积神经网络

吴恩达深度学习之卷积神经网络(一)卷积神经网络

吴恩达深度学习之卷积神经网络(一)卷积神经网络


推荐阅读
  • 卷积神经网络(CNN)基础理论与架构解析
    本文介绍了卷积神经网络(CNN)的基本概念、常见结构及其各层的功能。重点讨论了LeNet-5、AlexNet、ZFNet、VGGNet和ResNet等经典模型,并详细解释了输入层、卷积层、激活层、池化层和全连接层的工作原理及优化方法。 ... [详细]
  • 尽管深度学习带来了广泛的应用前景,其训练通常需要强大的计算资源。然而,并非所有开发者都能负担得起高性能服务器或专用硬件。本文探讨了如何在有限的硬件条件下(如ARM CPU)高效运行深度神经网络,特别是通过选择合适的工具和框架来加速模型推理。 ... [详细]
  • 本文探讨了亚马逊Go如何通过技术创新推动零售业的发展,以及面临的市场和隐私挑战。同时,介绍了亚马逊最新的‘刷手支付’技术及其潜在影响。 ... [详细]
  • 强人工智能时代,区块链的角色与前景
    随着强人工智能的崛起,区块链技术在新的技术生态中扮演着怎样的角色?本文探讨了区块链与强人工智能之间的互补关系及其在未来技术发展中的重要性。 ... [详细]
  • 本文探讨了图像标签的多种分类场景及其在以图搜图技术中的应用,涵盖了从基础理论到实际项目实施的全面解析。 ... [详细]
  • 本文探讨了卷积神经网络(CNN)中感受野的概念及其与锚框(anchor box)的关系。感受野定义了特征图上每个像素点对应的输入图像区域大小,而锚框则是在每个像素中心生成的多个不同尺寸和宽高比的边界框。两者在目标检测任务中起到关键作用。 ... [详细]
  • 毕业设计:基于机器学习与深度学习的垃圾邮件(短信)分类算法实现
    本文详细介绍了如何使用机器学习和深度学习技术对垃圾邮件和短信进行分类。内容涵盖从数据集介绍、预处理、特征提取到模型训练与评估的完整流程,并提供了具体的代码示例和实验结果。 ... [详细]
  • Coursera ML 机器学习
    2019独角兽企业重金招聘Python工程师标准线性回归算法计算过程CostFunction梯度下降算法多变量回归![选择特征](https:static.oschina.n ... [详细]
  • 机器学习核心概念与技术
    本文系统梳理了机器学习的关键知识点,涵盖模型评估、正则化、线性模型、支持向量机、决策树及集成学习等内容,并深入探讨了各算法的原理和应用场景。 ... [详细]
  • 基于2-channelnetwork的图片相似度判别一、相关理论本篇博文主要讲解2015年CVPR的一篇关于图像相似度计算的文章:《LearningtoCompar ... [详细]
  • 利用Java与Tesseract-OCR实现数字识别
    本文深入探讨了如何利用Java语言结合Tesseract-OCR技术来实现图像中的数字识别功能,旨在为开发者提供详细的指导和实践案例。 ... [详细]
  • 回顾与学习是进步的阶梯。再次审视卷积神经网络(CNNs),我对之前不甚明了的概念有了更深的理解。本文旨在分享这些新的见解,并探讨CNNs在图像识别和自然语言处理等领域中的实际应用。 ... [详细]
  • 吴恩达推出TensorFlow实践课程,Python基础即可入门,四个月掌握核心技能
    量子位报道,deeplearning.ai最新发布了TensorFlow实践课程,适合希望使用TensorFlow开发AI应用的学习者。该课程涵盖机器学习模型构建、图像识别、自然语言处理及时间序列预测等多个方面。 ... [详细]
  • 大数据时代的机器学习:人工特征工程与线性模型的局限
    本文探讨了在大数据背景下,人工特征工程与线性模型的应用及其局限性。随着数据量的激增和技术的进步,传统的特征工程方法面临挑战,文章提出了未来发展的可能方向。 ... [详细]
  • 京东AI创新之路:周伯文解析京东AI战略的独特之处
    2018年4月15日,京东在北京举办了人工智能创新峰会,会上首次公开了京东AI的整体布局和发展方向。此次峰会不仅展示了京东在AI领域的最新成果,还标志着京东AI团队的首次集体亮相。本文将深入探讨京东AI的发展策略及其与BAT等公司的不同之处。 ... [详细]
author-avatar
黒彡白小彩电邦
这个家伙很懒,什么也没留下!
PHP1.CN | 中国最专业的PHP中文社区 | DevBox开发工具箱 | json解析格式化 |PHP资讯 | PHP教程 | 数据库技术 | 服务器技术 | 前端开发技术 | PHP框架 | 开发工具 | 在线工具
Copyright © 1998 - 2020 PHP1.CN. All Rights Reserved | 京公网安备 11010802041100号 | 京ICP备19059560号-4 | PHP1.CN 第一PHP社区 版权所有