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:
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。