街景字符编码识别Task03-CNN发展介绍及Pytorch构建CNN模型

最新推荐文章于 2020-09-16 16:33:05 发布

哈喽2020

最新推荐文章于 2020-09-16 16:33:05 发布

阅读量689

点赞数

文章标签：神经网络 python 计算机视觉深度学习图像识别

本文链接：https://blog.csdn.net/qq_28757173/article/details/106354315

版权

本文介绍了卷积神经网络的基础知识，包括LeNet、AlexNet、VGG、GoogLeNet和ResNet等经典模型的发展历程。然后，通过PyTorch构建CNN模型，展示了如何定义模型结构、训练和验证过程。文章提供了详细的CNN模型结构和PyTorch实现步骤。

摘要由CSDN通过智能技术生成

Task03：字符识别模型

学习目标

学习CNN基础知识和发展史
使用Pytorch框架构建CNN模型，并完成训练

一、卷积神经网络

卷积神经网络（Convolutional Neural Network）简称CNN,是图像识别领域的深度神经网络模型。

CNN中的二维卷积核，常用于处理图像数据。如下最下面蓝色的代表输入图片，图片上有窗口为３x3的卷积核在扫描图片，图片输入和卷积核做互相关运算，并加上一个标量偏置来得到上方绿色的特征图谱输出。卷积层的模型参数包括卷积核和标量偏置，可认为下面的卷积核有３x3+1=10个参数。

卷积核移动时有填充和步幅，通过卷积核的移动，可以对给定形状的输入改变其输出形状。填充（padding）是指在输入图片的高和宽的两侧填充元素（通常是0元素)。在互相关运算中，卷积核在输入数组上滑动，每次滑动的行数与列数即是步幅（stride）。

窗口为3x3的卷积核在图片上扫描与运算的过程如下：

多输入通道和多输出通道

1.　以上的输入和输出都是二维数组，但真实数据的维度经常更高。例如，彩色图像在高和宽2个维度外还有RGB（红、绿、蓝）3个颜色通道。假设彩色图像的高和宽分别是h和w（像素），那么图片可以表示为一个3×h×w的多维数组。

2.　将大小为3的这一维称为通道（channel）维。卷积层的输出也可以包含多个通道，设卷积核输入通道数和输出通道数分别为ci和co，高和宽分别为h和w。如果希望得到含多个通道的输出，我们可以为每个输出通道分别创建形状为ci×h×w的核数组，将它们在输出通道维上连结，卷积核的形状即co×ci×h×w。

池化

池化层主要用于缓解卷积层对位置的过度敏感性。同卷积层一样，池化层每次对输入数据的一个固定形状窗口（又称池化窗口）中的元素计算输出，池化层直接计算池化窗口内元素的最大值或者平均值，该运算也分别叫做最大池化或平均池化。图像处理中的卷积神经网络一般使用二维池化层。

二、卷积神经网络模型发展

CNN发展过程中主要诞生了五大经典模型，它们分别是LeNet、AlexNet、GoogLeNet、VGG、ResNet。

１．LeNet 模型

LeNet分为卷积层块和全连接层块两个部分：

卷积层块里的基本单位是卷积层后接平均池化层。卷积层用来识别图像里的空间模式，如线条和物体局部；之后的平均池化层则用来降低卷积层对位置的敏感性，对卷积层输出的结果进行采样，压缩图像尺寸大小。卷积层块由两个这样的基本单位重复堆叠构成。

全连接层块：其中的向量全部展开成一维向量，一维向量与权重向量进行点积运算，在加上一个偏置，通过激活函数后输出，得到新的神经元输出。

在卷积层块中，每个卷积层都使用5×5的窗口，并在输出上使用sigmoid激活函数。第一个卷积层输出通道数为6，第二个卷积层输出通道数则增加到16。全连接层块含3个全连接层。它们的输出个数分别是120、84和10，其中10为输出的类别个数。
卷积神经网络就是含卷积层的网络，LeNet交替使用卷积层和最大池化层后接全连接层来进行图像分类。