卷积神经网络（CNN）是一种深度学习模型，常用于计算机视觉，其权重在不同位置共享。文章介绍了图片的存储、处理方式，以及CNN的组成部分：卷积层、激活层、池化层和全连接层，强调了权重共享和局部连接如何解决图像处理问题。
卷积神经网络的概述
卷积神经网络CNN是一类包含卷积计算且具有深度结构的神经网络，是深度学习的代表算法之一 。在计算机视觉领域具有强大的影响力，是计算机视觉领域核心的算法模型。
图片的存储
计算机视觉中常常处理图片数据，图像在计算机中是一堆按顺序排列的数字，数值为0到255。0表示最暗，255表示最亮。 我们可以把这堆数字用一个长长的向量来表示， 然而用向量表示的话会失去平面结构的信息，为保留该平面结构信息，通常选择矩阵的表示方式。
RGB颜色模型中，因为图片有三个通道，那么每一个矩阵又叫这个图片的一个通道，在计算中使用三个通道来进行表示，在电脑中，一张图片是数字构成的"长方体"。可用 宽, 高, 深来描述，一张图片在电脑中是这样存在的：
RGB三通道
三种常见的图像的处理方式：
1均值化(CNN只用去均值)：把输入数据各个维度都中心化到0
2归一化：数据幅度归一化到同样的范围
3PCA/白化：用PCA降维，白化是对数据每个特征轴上的幅度归一化
去均值：所有样本求和求平均，然后用所有的样本减去这个均值样本就是去均值。
归一化：对于每个特征而言，范围最好是[-1,1]，
PCA/白化：用PCA降维，让每个维度的相关度取消，特征和特征之间是相互独立的。白化，对数据每个特征轴上的幅度归一化
图片处理
图片处理
图片数据并不会直接放到神经网络中，而是要进行一系列的处理，这样才能放到神经网络中，我们将这个步骤称为图片数据的预处理操作
最低0.47元/天 解锁文章
1536
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
