通过上一篇文章,相信大家对深度学习的概念、原理已经有了大致了解,近期企通查将会对深度学习中的几种典型算法进行介绍。
在深度学习领域中,已经验证的典型成熟算法有卷积神经网络(CNN)、循环神经网络(RNN)、生成对抗网络(GANs)、深度强化学习(RL)等,下面企通查将带领大家对典型的深度学习算法之一——卷积神经网络(CNN)一探究竟。
卷积神经网络(CNN)解决了什么问题?
卷积神经网络(CNN),是近年发展起来的,并引起广泛重视的一种高效识别方法,可以说是深度学习算法应用最成功的领域之一,其价值在于能够将大数据量的图片有效地降维成小数据量且不影响结果,同时与人类视觉原理类似,CNN能够较完整地保留图片的特征。
卷积神经网络包括一维卷积神经网络,二维卷积神经网络以及三维卷积神经网络。一维卷积神经网络主要用于序列类的数据处理,二维卷积神经网络常应用于图像类文本的识别,三维卷积神经网络主要应用于医学图像以及视频类数据识别。
在 CNN 出现之前,图像对于人工智能来说一直是一个难题,问题的主要原因有2个:
1.需要处理的数据量太大
图像是由每个带有颜色的像素构成的,且每个像素都有RGB(可简单理解为光学三原色:红、绿、蓝)3个参数来表示颜色信息。
假如现在需要处理一张1000*1000像素的图片,就需要处理1000*1000*3=3,000,000个参数!如此大量的数据处理起来是非常消耗资源的,而且这还只是一张不算太大的图片。
2.保留图像特征
假如将一张图片划分为四个区域,其中一个区域中有圆形表示为数字1,没有圆形则表示为0,那么圆形的位置不同就会产生完全不同的数据表达,上述的这个过程就相当于是传统的图片数字化过程简化版。