卷积神经网络：2022 年初学者终极指南
已发表: 2021-01-05对“数据科学”的快速谷歌搜索将明确地向任何人揭示如何
在过去的五年里，这个领域变得很流行。 除了数据科学，人工
智能、机器学习和深度学习也在
计算机科学领域。 最新加入此列表的是卷积神经网络
网络——计算机视觉领域的一项创新。
目录
一切从哪里开始？
2012 年，当 Alex Krizhevsky 赢得了
当年的 ImageNet 比赛。 这场比赛类似于计算机的奥运会
视觉，当 Alex 使用它们时，分类错误从 26% 下降到 15%。
这是公司和计算机的“明确的激光希望之光”
科学家需要。 从那时起，Instagram、Facebook、Pinterest 等公司纷纷涌现。
热情地实施了神经网络，以提供最佳体验
他们的观众。 阅读：神经网络教程。
卷积神经网络的生物学联系也将有助于使其
基础明确。 1962 年，Hubel 和 Wiesel 表明不同的神经元在
只有当特定的视觉线索出现时，视觉皮层才会被激发。 一起，这些
神经元具有柱状结构，当被激发时，共同产生视觉
洞察力。
例如，一些神经元只有在暴露于水平边缘时才会触发。
其他人在存在垂直或对角边缘的情况下发射。 因此，不同的神经元
响应不同的视觉组件并使我们能够看到。
什么是卷积神经网络？
卷积神经网络（也称为 CNN 或 ConvNet）是一种深度学习
算法。 它采用输入图像，为图像的组件分配权重/偏差
图像，然后对整个图像进行分类。 经过足够的训练，ConvNets
能够学习过滤器/分类，并且所需的预处理较低
与其他算法相比。 阅读深度学习和神经网络之间的差异。
我们最终想要卷积神经网络做的是区分
在图像之间进行正确分类。 它能够捕捉时间和
由于相关过滤器的应用，空间依赖性。
它如何工作的基础知识
图像根据图像的分辨率和大小变成一个数组。
数组中的每个条目将包含一个从 0 到 255 的数字（如果 RGB 系统是
用过的）。 该数字将代表该点的像素强度。
将所有这些数字作为输入，计算机将输出一个数字。 这个号码
将表示图像属于某个类别（例如房屋，
路、公共汽车、狗、猫等）
CNN的结构
看到上图，你可能会认为一个卷积层有很多层
神经网络，但实际上只有3个主要的。 这些包括：
1.卷积层
2.池化层
3.全连接层
让我们更深入地研究其中的每一个。
卷积层
这是卷积神经网络的核心层。 它的参数是
由一组过滤器组成。 这些过滤器很小，但它们覆盖了整个深度
输入音量。
在卷积层执行的主要任务是提取高层
特征。 第一个（如上图所示）负责提取低
水平特征，如颜色、边缘等。随后的卷积层取出
高级特征，从而导致对图像的完整理解/细读。
池化层
该层旨在减少图像表示的空间大小。 因此，它
还有助于减少神经网络中的计算和处理量。
此外，它还提取位置和旋转的主要特征
不变的。
一种池化是通过使用 Max 操作完成的。 该操作选取
前一层每个神经元簇的最大值。 另一种池化
是从集群返回平均值的平均池。
由于 Max pooling 还可以作为噪声抑制器，因此它的性能优于 Average
汇集。
如上图所示，除了池化层之外，还有多个池化层
卷积层。 这些层数越多，低级特征越多
将被提取。 但是，消耗的计算能力也会增加。
现在图像已经通过了所有当前的卷积和池化
层，特征提取完成。 现在是图像分类的时候了。 全连接层执行此任务。
全连接层 (FCL)
作为最后一层，FC 层只是一个前馈神经网络。 输入到
全连接层是最后一个池化/卷积的扁平化输出
层。 展平意味着将 3 维矩阵或数组展开为向量。
对于每个 FC 层，都会进行特定的数学计算。 向量通过所有全连接层后，在最后一层使用 softmax 激活函数。 这用于计算输入属于特定任务的概率。
因此，最终结果是输入图像属于不同类别的不同概率。
对不同类型的图像和这些类型中的单个图像重复该过程。 这会训练网络并教它区分狗和猫，玫瑰和向日葵。
带走
卷积神经网络的底层技术正在不断完善。 网络经过大量训练以输出准确的概率。 可以正确地说：在计算机视觉领域，CNN 本身就是一场革命。
您可以查看我们的机器学习和人工智能 PG 文凭，它提供实用的实践研讨会、一对一的行业导师、12 个案例研究和作业、IIIT-B 校友身份等。