用于图像识别的神经网络，以及5大应用场景

图像识别已成为当下的主流，每天都有成千上万的公司和数百万的消费者在使用这项技术。 图像识别由深度学习提供动力，特别是卷积神经网络（CNN），这是一种神经网络体系结构，可模拟视觉皮层如何分解并分析图像数据。CNN和神经网络图像识别是计算机视觉深度学习的核心组成部分，它具有许多应用场景，包括电子商务，游戏，汽车，制造业和教育。

在本文中，你将学习到：

1）什么是图像识别？

2）图像识别如何工作？

3）神经网络的图像数据预处理步骤

4）使用神经网络建立图像预测模型

5）卷积神经网络及其在图像识别中的作用

6）图像识别的应用

1、什么是图像识别？

图像识别使用人工智能技术自动识别图像中的对象，人物，位置和动作。 图像识别用于执行任务，例如使用描述性标签标记图像，在图像中搜索内容以及引导机器人，自动驾驶汽车和驾驶员辅助系统。

图像识别对于人类和动物来说是很自然的，但是对于计算机来说却是一项极其困难的任务。 在过去的二十年中，计算机视觉领域出现了，并且已经开发了可以挑战的工具和技术。目前用于图像识别任务的最有效工具是深层神经网络，特别是卷积神经网络（CNN）。 CNN是一种旨在有效处理，关联和理解高分辨率图像中的大量数据的体系结构。

2、图像识别如何工作？

人眼将图像视为一组信号，由大脑的视觉皮层来解释。结果是一个场景的体验，它链接到保留在内存中的对象和概念。图像识别模仿了这一过程。计算机以一组矢量（带有彩色注释的多边形）或一个栅格（一个带有颜色离散数值的像素画布）“看到”图像。

在神经网络图像识别过程中，图像的矢量或光栅编码被转换为描绘物理对象和特征的构造。计算机视觉系统可以从逻辑上分析这些构造，首先是通过简化图像并提取最重要的信息，然后通过特征提取和分类来组织数据。最后ÿ