企业官网建设流程全解析

加强企业网站建设的通知,网站建设费用自建,怎么做网站的需求,wordpress 积分下载插件卷积神经网络CNN图像原理我们眼中的图像#xff0c;在计算机世界里其实是一组有序排列的数字矩阵。对于黑白灰度图#xff0c;每个像素的数值范围是 0-255#xff0c;0 代表最暗的黑色#xff0c;255 代表最亮的白色#xff0c;整个图像就是一个二维矩阵。彩色图像则采用 …卷积神经网络CNN图像原理我们眼中的图像在计算机世界里其实是一组有序排列的数字矩阵。对于黑白灰度图每个像素的数值范围是 0-2550 代表最暗的黑色255 代表最亮的白色整个图像就是一个二维矩阵。彩色图像则采用 RGB 颜色模型通过红、绿、蓝三原色的不同比例组合生成各种色彩对应着三个并列的二维矩阵也就是三维张量Tensor可以用 “宽 × 高 × 深通道数” 来描述其中每个矩阵称为一个通道Channel。这种数字化表示是 CNN 能够处理图像的基础。图像不变性图像识别的核心挑战在于 “不变性”—— 一个物体无论在画面的左侧还是右侧平移不变性、旋转一定角度旋转不变性、缩放大小尺度不变性甚至在不同光照条件下光照不变性都应该被准确识别为同一物体。希望所建立的网络可以尽可能的满足这些不变性特点传统神经网络面对这类变体时显得力不从心因为它会将图像像素全部摊平为一维向量输入丢失了空间结构信息需要海量标注数据和极深的网络才能勉强学习这些变体特征。而 CNN 通过特殊的网络结构天然具备了学习这些不变性的能力。如下图所示卷积层什么是卷积对图像不同的窗口数据和卷积核一组固定的权重因为每个神经元的多个权重固定所以又可以看做一个恒定的滤波器filter做内积逐个元素相乘再求和的操作就是所谓的『卷积』操作也是卷积神经网络的名字来源。卷积层原理a、步长stride每次滑动的位置步长。b. 卷积核的个数决定输出的depth厚度。同时代表卷积核的个数。c. 填充值zero-padding在外围边缘补充若干圈0方便从初始位置以步长为单位可以刚好滑倒末尾位置通俗地讲就是为了总长能被步长整除。数据窗口每次移动两个步长取3*3的局部数据即stride2。两组神经元卷积核即depth2意味着有两个滤波器。zero-padding1神经网络的构造图片精通卷积核处理后的样子与人眼观看事物原理相似先看事物的轮廓卷积层计算的结果例如输入数据为32*32*3的图像用10个5*5*3的卷积核来进行操作步长为1边界0填充为2 最终输出结果为32-52*2/1 1 32输出规模为32*32*10的特征图池化层池化层的作用一种降采样减小数据的空间大小因此参数的数量和计算量也会下降这在一定程度上也控制了过拟合常见的池化层最大池化、平均池化、全局平均池化、全局最大池化。平均池化average pooling计算图像区域的平均值作为该区域池化后的值。最大池化max pooling:选图像区域的最大值作为该区域池化后的值。是最为常见的。 通常来说CNN的卷积层之间都会周期性地插入池化层。池化层操作方法与卷积层类似池化层运算符由一个固定形状的窗口组成该窗口根据其步幅大小在输入的所有区域上滑动为固定形状窗口有时称为 池化窗口遍历的每个位置计算一个输出。 然而不同于卷积层中的输入与卷积核之间的互相关计算池化层不包含参数。最大池化的原理分析Max pooling的主要功能是压缩却不会损坏识别结果。 这意味着卷积后的Feature Map中有对于识别物体不必要的冗余信息。 那么我们就反过来思考这些“冗余”信息是如何产生的。全连接层Fully Connected Layer当抓取到足以用来识别图片的特征后接下来的就是如何进行分类。全连接层也叫前馈层就可以用来将最后的输出映射到线性可分的空间。 通常卷积网络的最后会将末端得到的长方体平摊(flatten)成一个长长的向量并送入全连接层配合输出层进行分类。感受野例如图片是3通道卷积核为7*7的则卷积核所需要的参数个数为7*749个卷积核为3个3*3的则卷积核所需要的参数个数为3*3*3 27一张250*250的图片和一张500*500的图片卷积层的权重参数数谁多答案一样多卷积神经网络的多种模型LeNet第一个成功的卷积神经网络应用AlexNet类似LeNet但更深更大。使用了层叠的卷积层来抓取特征通常是一个卷积层马上一个max pooling层ZF Net增加了中间卷积层的尺寸让第一层的stride和filter size更小。GoogLeNet减少parameters数量最后一层用max pooling层代替了全连接层更重要的是Inception-v4模块的使用。VGGNet只使用3x3 卷积层和2x2 pooling层从头到尾堆叠。 ResNet引入了跨层连接和batch normalization。DenseNet将跨层连接从头进行到尾。