概述
本文将简要讨论卷积神经网络(CNN),这是一种专为图像相关任务设计的特殊神经网络。
本文将主要关注CNN的实现部分。
目录
介绍
CNN 模型架构中的主要组成部分
卷积层
池化层
全连接层
代码实现
步骤1:导入必要的库
步骤2:下载训练和测试数据集
步骤3:拆分训练集进行训练和验证
步骤4:使用 Dataloader 将数据集加载到内存中
步骤5:定义架构
步骤6:定义损失函数
步骤7:实施训练和验证算法
步骤8:训练和评估阶段
步骤9:测试阶段
步骤 10 使用样本进行测试
结论
介绍
卷积神经网络由 Yann LeCun 和 Yoshua Bengio 在 1995 年引入,后来证明在图像领域显示出非凡的结果。
那么,当应用于图像领域时,它们与普通神经网络相比有何特别之处?
我将用一个简单的例子来解释其中的一个原因。考虑到任务是对手写数字图像进行分类,下面给出了一些来自训练集的样本。
如果你正确观察,你会发现所有数字都出现在相应图像的中心。如果测试图像的类型相似,用这些图像训练一个正常的神经网络模型可能会得到很好的结果。
但是如果测试图像如下所示呢?
这里数字九出现在图像的角落。如果我们使用一个简单的神经网络模型来对这张图片进行分类,我们的模型可能会分类失败。
但是,如果将相同的测试图像提供给 CNN 模型,则它很可能会正确分类。它性能更好的原因是它在图像中寻找空间特征。
对于上述情况本身,即使数字 9 位于帧的左角,经过训练的 CNN 模型也会捕获图像中的特征,并且很可能预测该数字是数字 9。普通的神经网络无法做到这种程度。
现在让我们简要讨论一下 CNN 的主要构建块。
CNN 模型架构中的主要组成部分
这是一个简单的 CNN 模型,用于对图像是否包含猫进行分类。
因此,CNN 的主要组成部分是:
卷积层
池化层
全连接层
卷积层
卷积层帮助我们提取图像中存在的特征。这种提取是在滤波器的帮助下实现的。
请遵守以下操作。
在这里,我们可以看到一个窗口在整个图像上滑动,其中图像表示为网格。
现在让我们看看如何进行卷积运算。
假设输入特征图是我们的图像,卷积滤波器是我们要滑过的窗口。
现在让我们观察卷积运算的实例之一。
当卷积滤波器叠