一、特征提取
1.传统机器学习中,特征提取是人为选定明显的数据特征。作数据训练时:人为选定特征+分类器"。对于高维空间的特征,人是很难看出来的。
2.针对此难题,机器学习中催生了"特征工程"的方法。
Ps:特征工程存在问题:在于不同的数据、不同的问题中的好的特征都是不同的。eg:在图像处理中,好的特征,往往不适用于语音信号处理;甚至两个同样是图像识别的任务,因为所包含的数据不同,对应的好的特征也不同。该方法主要是依赖于经验和运气
3.于是,深度学习提出了"卷积神经网络"作为特征提取器。卷积神经网络,从字面上包括两个部分:卷积+神经网络。其中,卷积就是特征提取器,而神经网络,可以看作分类器。训练一个卷积神经网络,就是同时训练了特征提取器 (卷积) 和后面的分类器 (神经网络)。
Ps:用函数的角度来看,传统的分类模型:y = f( x, θclassifier )调试只有分类器中的参数“θclassifier”。卷积神经网络分类模型y = f( x, θfilter, θclassifier )可以调试特征提取器中的参数θfilter+分类器中的参数θclassifier。
二、卷积神经网络
1.卷积神经网络如何提取特征
1.图像在计算机中的存储
1.黑白(灰度)图像(以数字8为例)
- 对数字8进行放大,会发现图像失真,出现一个个小的像素块(Pixels),通常我们所提及的图像的维度H*W(即:图像的尺寸就是图像的高度(H)和宽度(W)上的像素数)