技术05期：五分钟教你读懂卷积神经网络【CNN】

上期回顾：以RBN（径向基函数）神经网络为例，简要介绍了前馈型神经网络中，“神经元”到底是如何进行“曲线拟合”的。详情可回顾：

 

神经网络如何从入门到精通？（请戳我）

 

在理论上RBF神经网络和BP神经网络能以任意精度逼近任何非线性函数，且Poggio和Girosi已经证明，RBF网络是连续函数的最佳逼近，并且具有良好的泛化能力。

 

但是，生活中绝大多数的问题，并不是简单的曲线拟合问题。

 

因此CNN、DCNN、RNN、LSTM、GAN等等众多的神经网络，为了更好地解决不同方向的实际问题应运而生。

 

本期，将以图像识别的常用方法CNN（卷积神经网络）进行介绍。

 

▐ CNN卷积神经网络

 

卷积神经网络（CNN）是神经网络的一种，它在图像识别和分类等领域已经被证明非常有效。

 

卷积神经网络可以有效识别人脸、物体和交通标志，以及辅助自动驾驶汽车进行路径规划。

 

▐ 为什么需要卷积神经网络？

 

以下图为例，简单绘制了常规的前馈型神经网络的网络结构。图中神经元之间的连线，都是需要学习的权重w和偏置b。

 

随着图像分辨率的不断增大，以1080P的手机拍摄的灰度图像为例：1920*1080 =2073600，就拥有约两百万个像素点。

 

如果隐藏层仅仅只有1000个神经元，需要学习的参数就有20亿个参数，学习难度较高。

 

彩色图像由于具有RBG三个通道的信息，需要学习的参数就更多了。

 

Fig.1 前馈型神经网络结构

 

研究发现，图像的下采样对人进行图像识别的影响较小。

 

以下图为例，高分辨率的X，经简