神经网络对图片处理工具_漫画：卷积神经网络为什么适合处理图片数据？

更多算法文章请关注公众号：视学算法

传统的神经网络（全连接）如下所示：

比如一张图片如果是64*64的，那么它的数据量就是64×64×3，因为每张图片都有 3 个颜色通道。那么图片的特征向量维度为12288。

对的！64×64还是比较小的，如果操作更大的图片，给你举个例子，比如一张 1000×1000 的图片，那么特征向量的维度达到了 1000×1000×3，因为有 3 个 RGB 通道，所以数字将会是 300 万。

如果特征维度为300万，那么我们的神经网络需要300万个输入，如果神经网络的隐藏层有1000个隐藏单元，那么输入层和第一个隐藏层之间的参数矩阵的大小是会有 30亿个参数，仅仅输入层和隐藏层之间就有30亿个参数。

在参数如此大量的情况下，难以获得足够的数据来防止神经网络发生过拟合，而且还存在巨大的压力。

先来看下面这张图

大致可以分为这几个步骤：

卷积层-Pooling-卷积层-Pooling-全连接层-softmax

那么这样就用卷积操作代替了全连接的操作，可以进行有效的提取特征。那么卷积的特性包括：权值共享和局部连接。我想大家看一下下面这个就更明显了！

（图片来源：csdn博客）

为了使得卷积神经网络更形象，请看下面几个图：

这节课我们知道了为什么卷积神经网络能更好的处理图片，同时也大体了解了神经网络，后面会按照章节讲解计算机视觉CNN！

参考文献

1.http://www.elecfans.com/rengongzhineng/580113.html

2.今日头条|B站AI专栏素材

3.https://blog.wj2015.com/

更多算法文章请关注公众号：视学算法