数据科学与大数据分析之项目6-CNN模型图像分类

项目介绍

本项目使用Caltech256来作为训练和测试集。

解压缩该文件，您将看到257个文件夹。每个文件夹对应一个类。使用预先训练的Inception- BatchNorm网络来提取Caltech256训练和测试集中每个图像的特征表示。

本项目包含：

1. Cnn的图像分析的理解

2. “卷积层”和“池化层”的功能

3. Deep CNNs中的名词解释 activation function; epoch number;batch size; learning rate and momentum

4. Caltech256训练和测试集介绍

5. 项目代码与输出（R语言）

项目开始

1
深度卷积神经网络（CNNs）是一种深度人工神经网络。CNNs是一类特殊的多层感知器，非常适合于网格化的数据处理拓扑。他们是在至少一层中使用卷积代替一般矩阵乘法的网络。它是一种在神经网络设计中建立先验信息的方法。此外，CNN有时被设计成识别二维形状，对平移、缩放、倾斜和其他扭曲具有高度的不变性。

由于CNNs具有较好的性能、精度和对输入图像的一定程度的无失真性，因此适合于图像分析任务。常规NNs的问题是它们不能很好地随维度扩展。CNNs集成了一个可用于内置网络的分层模型，并最终指向一个完全连接的层，在该层中所有神经元相互连接并处理输出。CNNs能有效地将大量数据参数的图像维数降为少量参数，同时有效地保留图像特征。

NNS对图像失真非常敏感，忽略了输入数据的拓扑结构，在一定程度上避免了这些问题。CNNs考虑了神经元的三维体积，提出了一种参数共享方案，使网络所