什么是卷积神经网络？CNN 的工作原理是什么？何时使用 CNN？

卷积神经网络（CNN 或 ConvNet）是一种直接从数据中学习的深度学习网络架构。

CNN 特别适合在图像中寻找模式以识别对象、类和类别。它们也能很好地对音频、时间序列和信号数据进行分类。

CNN 的工作原理：

一个卷积神经网络可以有数十层乃至数百层，每层都学习检测图像的不同特征。将不同分辨率的滤波器应用于每个训练图像，每个卷积后图像的输出会成为下一层的输入。滤波器可以从非常简单的特征开始，例如亮度和边缘，然后越来越复杂，直到可以唯一定义目标的特征为止。

什么是卷积神经网络？

CNN 的工作原理是什么？观看这段简短视频详细了解 CNN，包括层、激活和分类。

【中文字幕】10分钟了解深度学习

特征学习、层和分类

CNN 由一个输入层、一个输出层和中间的多个隐藏层组成。

这些层会执行运算以更改数据，目的是学习特定于数据的特征。卷积层、激活层（即 ReLU 层）和池化层是三种最常见的层。

• 卷积层将一组卷积滤波器应用于输入图像，每个滤波器激活图像中的特定特征。

• 修正线性单元 (ReLU) 层将负值映射到零，同时保持正值不变，让训练更快、更高效。该层有时也称为激活层，因为只有激活的特征才会传递给下一层。

• 池化层执行非线性下采样，减少网络需要学习的参数个数，从而简化输出。

这些操作在数十层或数百层上反复进行，每一层都学习识别不同的特征。

一个包含大量卷积层的网络。将不同分辨率的滤波器应用于每个训练图像，每个卷积后图像的输出会成为下一层的输入。

共享权重和偏置

与传统神经网络不同的是，CNN 具有共享的权重和偏置值。这些值对于给定层中的所有隐藏神经元均相同。

这意味着所有隐藏神经元会在图像的不同区域检测相同的特征，例如边缘或斑点。因此，网络容许图像中的目标有一定的平移。例如，对于一个汽车识别网络，无论汽车出现在图像何处，网络都能进行识别。

分类层

通过多个层学习特征后，CNN 的架构转向分类。

倒数第二层是一个全连接层，它输出一个 K 维向量（其中 K 是网络能够预测的类的数量），并包含图像被分到各个类的概率。

CNN 架构的最后一层使用分类层来提供最终分类输出。

CNN 为何重要

CNN 架构非常适合用来揭示和学习图像和时间序列数据中的关键特征。CNN 是以下应用中的关键技术：

医学成像：CNN 可以检查成千上万份病理报告，以视觉方法检测图像中是否存在癌细胞。

信号处理：只要设备带有麦克风，就可以进行关键字检测，检测到用户说出的特定字词（如“嘿 Siri”）。CNN 可以在各种环境下准确地学习和检测关键字，同时忽略所有其他字词。

目标检测：自动驾驶依靠 CNN 来准确检测标志或其他目标的存在，并根据输出作出决策。

合成数据生成：使用生成对抗网络 (GAN) 可以生成新图像，用于深度学习应用，包括人脸识别和自动驾驶。

何时使用 CNN？

当您有大量复杂数据（例如图像数据）时，可以考虑使用 CNN。您还可以使用 CNN 处理针对网络结构预处理过的信号或时间序列数据。

考虑使用预训练模型

使用 CNN 时，工程师和科学家们更喜欢从一个预训练的模型开始，使用新数据集来让该模型学习和识别其中的特征。

您可以使用 GoogLeNet、AlexNet 和 Inception 等模型作为起点，利用专家构建的、经过验证的架构来探索深度学习。

 免费分享一些我整理的人工智能学习资料给大家，整理了很久，非常全面。包括一些人工智能基础入门视频+AI常用框架实战视频、图像识别、OpenCV、NLP、YOLO、机器学习、pytorch、计算机视觉、深度学习与神经网络等视频、课件源码、国内外知名精华资源、AI热门论文等。

下面是部分截图，加我免费领取

目录

一、人工智能免费视频课程和项目

二、人工智能必读书籍

三、人工智能论文合集

四、机器学习+计算机视觉基础算法教程

最后，我想说的是，自学人工智能并不是一件难事。只要我们有一个正确的学习方法和学习态度，并且坚持不懈地学习下去，就一定能够掌握这个领域的知识和技术。让我们一起抓住机遇，迎接未来！

上面这份完整版的Python全套学习资料已经上传至CSDN官方，朋友如果需要可以点击链接领取 

二维码详情