以图像识别为例，关于卷积神经网络（CNN）的直观解释

最新推荐文章于 2025-04-03 22:30:24 发布

hao_wujing

最新推荐文章于 2025-04-03 22:30:24 发布

阅读量2.5k

点赞数 24

文章标签： cnn 人工智能神经网络

本文链接：https://blog.csdn.net/hao_wujing/article/details/144845411

版权

大家读完觉得有意义记得关注和点赞！！！

作者以图像识别为例，用图文而非数学公式的方式解释了卷积神经网络的工作原理，适合初学者和外行扫盲。

2.3 第二步：非线性（Non Linearity / ReLU）运算

2.4 第三步：降采样

2.4.1 原理：直观解释

2.4.2 小结：卷积层 + ReLU + 降采样层

1 卷积神经网络（CNN）

1.1 应用场景

卷积神经网络（ConvNets 或 CNN）是一类神经网络（a category of Neural Networks），在图像识别和分类等领域已经证明非常有效。CNN 已经成功用于人脸识别、物体和交通标志识别，机器人视觉，自动驾驶等等。下面看两个具体例子。

图 1 是给一个图片，自动识别其中的内容并生成一句描述，

图 1：图像识别和自动生成描述。cs.stanford.edu

图 2 则是 CNN 用于识别日常人和物，

图 2：图像识别。来自 paper pdf

此外，CNN 在一些自然语言处理任务（如句子分类）中也展现出很不错的效果。因此，CNN 在机器学习领域将是一个非常重要的工具。不过，新手学习起来经常比较受挫。本文试图拿 CNN for image processing 为例，向大家直观解释一下 CNN 是如何工作的。

想了解 neural networks 可戳 this short tutorial on Multi Layer Perceptrons，不了解也没关系。

Multi Layer Perceptrons（多层感知器/多层感知机）在本文中将称为 “Fully Connected Layers”。

1.2 起源：LeNet, 1990s

LeNet 由 Yann LeCun 在 1988 提出，是最早推动深度学习领域发展的卷积神经网络之一。后来经过多次改进，直到 LeNet5 [3]。当时 LeNet 架构主要用于字符识别，例如读取邮政编码、数字等。

1.3 现代架构

近年来提出了几种新的架构，都是对 LeNet 的改进，它们都继承了 LeNet 的主要概念。因此如果对 LeNet 比较了解，理解现代架构将容易很多。下图展示了这类架构是如何学习识别图像的：

图 3：基于卷积神经网络识别图像。image credit

图中的卷积神经网络在架构上与早期 LeNet 差不多，它对输入图像进行分类（LeNet 主要用于字符识别）；
这个例子中会分成四类：dog, cat, boat, bird，所有概率的总和是 100%（后文会解释）；
从图中可以明显看出，在 boat 图像作为输入时，该网络最终的分类结果中，boat 的概率最高（0.94）。

根据上图，我们可以看到现代 CNN 主要有四种操作：

卷积（Convolution）
非线性（Non Linearity，ReLU)）
池化或降采样（Pooling or Sub Sampling）
分类/全连接层（Classification, Fully Connected Layer）

这几个功能是所有卷积神经网络的基本模块。下面我们尝试从直观上来理解每个操作的含义。

2 CNN：直观解释

2.1 输入：图像（像素值组成的矩阵）

每个图像（image）本质上就是一个由像素值（pixel values）组成的矩阵：

图 4：每个图像都是一个像素值组成的矩阵。[6]

Channel（通道）是一个传统术语，指图像的某一部分数据。例如，

数码相机拍出的图像通常有三个通道 —— red/green/blue —— 可以想象成从下往上依次堆叠的 3 个二维矩阵（每种颜色一个），每个像素值都在 0 到 255 范围内。
grayscale（灰度）图像只有一个通道。

简单起见，本文将只考虑灰度图像。这意味着我们将有一个表示图像的二维矩阵，其中中每个像素的值范围从 0 到 255 —— 0 表示黑色，255 表示白色。

2.2 第一步：卷积运算

CNN（卷积神经网络）的名字来源于“卷积”运算，

卷积的主要目的是从输入图像中提取特征；
通过一个小矩阵（称为 filter）对输入矩阵进行运算，来学习图像特征（image features）；
filter 保留了像素之间的空间关系（spatial relationship between pixels）。

这里不深入探讨卷积的数学细节，只尝试了解它如何处理图像。

2.2.2 动图直观解释

每个图像都是像素值组成的矩阵。考虑一个 5x5 的图像，其像素值只有 0 和 1（灰度图像的像素值范围为 0 到 255，这里我们进一步简化，像素值只有 0 和 1）：

然后引入一个 3x3 矩阵作为 filter，

那么，用 5x5 和 3x3 矩阵来计算卷积的过程就如下面的动图所示，

图 5：卷积的计算。计算得到的结果矩阵称为 Convolved Feature or Feature Map（卷积特征，或特征图）。[7]

计算过程：

在 5x5 的输入矩阵上，覆盖一个 3x3 矩阵，
对当前 3x3 覆盖的部分，分别与 3x3 矩阵按像素相乘，然后把 9 个值加起来得到一个整数，
按这种方式，以一个像素为单位依次滑动和计算，最后就得到一个输出矩阵（右边）。

用 CNN 术语来说，

3x3 矩阵叫做 filter（滤波器），或 kernel、feature detector 等；
滑动的粒度（这里是一个像素）叫做 stride（步长）

最低0.47元/天解锁文章