卷积神经网络

CNN在图像处理和视频处理领域有着广泛的应用。在这篇文章中，我将详细介绍卷积神经网络是如何进化的，以及为什么它们在图像领域如此出色。在此基础上，我们将建立一个使用Keras的卷积神经网络。

 

什么是卷积神经网络？

卷积神经网络与普通神经网络相似。它们也由神经元组成，学习权重和偏差。这些网络对图像最有效，它们以图像作为输入，然后在体系结构中编码某些属性。“卷积神经网络”表示该网络使用的数学运算称为卷积.

 

卷积实数参数的两个函数的运算。

 

 

这个运算在数学上叫做卷积。

 

在卷积神经网络术语中，卷积的第一个参数常被称为输入，第二个参数称为内核，其输出称为特征映射。现在我将向你展示如何在CNN中应用这个数学术语“卷积”。

 

 

CNN中卷积的工作原理

因此，如你所见，绿色的矩阵是输入(由输入图像的像素组成的矩阵)，黄色的矩阵是核心。在这里，你可以看到内核矩阵是如何与输入矩阵进行转换的，从而给出了一个特征映射。你可以看到功能地图的尺寸发生了一些变化。

 

池化层

池化层主要用于连续卷积层之间。它用于减少表示的空间大小，减少参数的数量和网络的计算。池层独立地应用于输入的每个深度切片，并减少输入的空间维数。它主要用于减少过度拟合。如果我们在一个滤波器大小为2X2和步长为2的输入上应用一个最大池，那么它将在宽度和高度上将输入大小降低2倍，保持深度不受影响，这意味着它丢弃了75%的激活。下面是一个包含如何实现池层的图像。

 

 

正在此映像中实现MAX池

 

使用max池进行下采样的方法

现在我们将讨论计算输出层尺寸的公式。

 

 

输出特征映射维数的计算公式

 

在这个公式中，p和s分别是填充和步长。我们将一个接一个地讨论这件事的细节。

 

填充

填充用于在边缘周围添加额外的像素。实际上，填充是为了确保角落中的像素得到所需的注意。注意，我的意思是在卷积中，当核沿输入矩阵前进时，中间的像素在卷积运算中出现多次，而角点只涉及一次卷积运算，因此在卷积运算中得到了更多的权重。因此填充会在原始矩阵周围增加一层或更多的层，这样就可以考虑角点像素。

 

 

图中实现了零填充

跨步

 

在卷积神经网络中跨出是非常重要的。我将在这里讨论如何在两个图像的帮助下实现跨步，以使其清晰。

 

 

最大池（2个跨步）

使用更大步幅的一个主要原因是减少输出特征映射中的参数。现在我们准备好设计我们自己的CNN模型。我会详细解释CNN的内容。

 

卷积神经网络的设计

在这一部分中，我们将设计我们自己的卷积神经网络。CNN由卷积层、池层和末端完全连接层组成(对于多类问题，我们可以在结尾添加Softmax)。

 

我们将使用的架构如下图所示。我将使用Keras实现。因为我希望这篇文章是准确的，也许有一天我会从零开始编码一个CNN。现在，让我们进入架构。因此，我们将实现一个两层卷积神经网络，我已经使用了relu激活函数和最大池技术。有两个完全连接的层，最后是一个Softmax激活。

 

 

CNN架构

 

model = Sequential()

model.add(Conv2D(32, kernel_size=(5, 5), strides=(1, 1),

                 activation='relu',

                 input_shape=input_shape))

model.add(MaxPooling2D(pool_size=(2, 2), strides=(2, 2)))

model.add(Conv2D(64, (5, 5), activation='relu'))

model.add(MaxPooling2D(pool_size=(2, 2)))

model.add(Flatten())

model.add(Dense(1000, activation='relu'))

model.add(Dense(num_classes, activation='softmax'))

model.compile(loss=keras.losses.categorical_crossentropy,

              optimizer=keras.optimizers.SGD(lr=0.01),

              metrics=['accuracy'])

model.fit(x_train, y_train,

          batch_size=batch_size,

          epochs=epochs,

          verbose=1,

          validation_data=(x_test, y_test),

          callbacks=[history])

复制

在第一层，我们使用了32个大小为5X5的过滤器，具有步幅1和ReLU激活功能。接下来，我们添加了最大池池。在该层中，我们使用了64个大小为5X5的过滤器，然后是最大池化层。然后我们使用了一个平坦的层。之后，我们分别使用了具有ReLU和softmax激活的两个密集层。然后我们使用交叉熵作为我们的损失函数和随机梯度下降（SGD）来最小化损失。然后我们根据我们的用例训练。