卷积神经网络的四个特点_几张图,轻松看懂机器学习领域大热的卷积神经网络...

本文深入解析卷积神经网络(CNN)的工作原理,从概念出发,讲解了卷积操作和模板窗口在图像处理中的作用,以及在交通标志识别中的应用实例。通过《实验楼》教程,学习者能体验使用TensorFlow实现CNN的过程,提升机器学习技能。
摘要由CSDN通过智能技术生成

什么是卷积神经网络

以下解释来源于ujjwalkarn的博客:

卷积神经网络(ConvNets 或者 CNNs)属于神经网络的范畴,在图像识别和分类领域具有高效的能力。卷积神经网络可以成功识别人脸、物体和交通信号,从而为机器人和自动驾驶汽车提供视力。

680bc9ee56e569426fc5406af2b3b51e.png

在上图中,卷积神经网络可以识别场景,也可以提供相关的标签,比如“桥梁”、“火车”和“网球”;而下图展示了卷积神经网络可以用来识别日常物体、人和动物。最近,卷积神经网络也在一些自然语言处理任务(比如语句分类)。

c56a647c8a25e7c3fb6e01d8088a0828.png

因此,卷积神经网络对于今天大多数的机器学习用户来说都是一个重要的工具。

卷积操作

“卷积”这一词在多个领域里都有定义(比如信号处理领域的傅里叶变换中也有卷积)。具体在图像处理领域,卷积操作是指使用一个小的“模板窗口”对一个图片中的所有与模板大小相同的区域进行“卷积运算”。“卷积运算”其实很简单,就是将模板中的每一个数字与图片中相同大小区域的对应数字(像素值)进行相乘,再求和。具体操作如下图:

ad22a9ca27899e74c294b2fc66d12ff8.gif

“模板窗口”每移动到一个位置,就和图片中的对应元素进行一次卷积运算,注意我们一般把“模板窗口”称为卷积核(kernel)。 比如在第一个位置,图片上的四个像素值为[[0,0],[1,1]], 而卷积核中的数值为[[-1,1],[-1,1]], 对应元素相乘再求和,得到0*-1+0*1+1*-1+1*1=0
比如在第二个位置,图片上的四个像素值为[[0,0],[1,0]], 对应元素相乘再求和,得到0*-1+0*1+1*-1+0*1=-1 对图片中的所有可能位置进行卷积操作,就得到了最终的卷积结果。

使用卷积神经网络识别交通标志

上文中我们提到过,卷积神经网络可以成功识别人脸、物体和交通信号。

因此,介绍了卷积神经网络的基本知识点之后,我要推荐一个“实验楼”近期新出教程《使用卷积神经网络识别交通标志》,这同时也是一个在线实验,大家可以在线上写代码,完成这个实验。

介绍

实验采用德国交通标志数据集,使用 TensorFlow 实现的卷积神经网络解决交通标志分类问题。

训练前对原数据进行了数据扩充保证了训练集数据类型的平衡,并对数据进行了预处理,来改善特征提取。

使用深度神经网络分类器作为模型,采用扩充后的平衡数据集进行训练,其准确率达到 98%以上,可以通过预训练或者降低学习率对模型进行微调来进一步提高模型性能。

知识点

  • 数据预处理
  • 数据扩充
  • 深度神经网络分类器
  • Tensorflow卷积网络实现

课程说明


课程基于 Alex Staravoitau 的 开源项目 改编制作,原内容使用 Apache License 2.0 授权协议,实验楼同时获得了书面授权。我们对原英文题目内容进行了编译,以适合中文理解。同时,课程修改了部分解题和单元测试代码以适应实验楼在线环境。

你将学到:

40a20303f44cb19e43755e8ebf4b7110.png

适合人群

有 TensorFlow 基础的同学。

建议先修课程:

《TensorFlow 实现卷积神经网络》

注:文中提到的两门课程《使用卷积神经网络识别交通标志》《TensorFlow 实现卷积神经网络》均可在“实验楼”官网搜索到。另外,今天是“实验楼”高级VIP会员打折最后一天,大家抓紧时间抢购噢,高级会员可免费学习价值9000元的全部编程课。

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值