八、【人工智能】【机器学习】【监督学习】-卷积神经网络 (CNN)

已于 2024-08-01 17:03:52 修改
阅读量793 收藏 10
点赞数 7
分类专栏： 人工智能 文章标签： 机器学习 学习 cnn
于 2024-07-09 17:30:53 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/xgq8217/article/details/140300180
版权

 系列文章目录

第一章 【机器学习】初识机器学习

第二章 【机器学习】【监督学习】- 逻辑回归算法 (Logistic Regression)

第三章 【机器学习】【监督学习】- 支持向量机 (SVM)

第四章【机器学习】【监督学习】- K-近邻算法 (K-NN)

第五章【机器学习】【监督学习】- 决策树 (Decision Trees)

第六章【机器学习】【监督学习】- 梯度提升机 (Gradient Boosting Machine, GBM)

第七章 【机器学习】【监督学习】-神经网络 (Neural Networks)

第八章【机器学习】【监督学习】-卷积神经网络 (CNN)

第九章【机器学习】【监督学习】-循环神经网络 (RNN)

第十章【机器学习】【监督学习】-线性回归

第十一章【机器学习】【监督学习】-局部加权线性回归 (Locally Weighted Linear Regression, LWLR)

第十二章【机器学习】【监督学习】- 岭回归 (Ridge Regression)

目录

系列文章目录

前言

一、基本定义

（一）、监督学习

（二）、监督学习的基本流程

（三）、监督学习分类算法（Classification）

二、卷积神经网络 (CNN)

（一）、定义

（二）、基本概念

（三）、训练过程

（四）、特点

（五）、适用场景

（六）、扩展

三、总结

前言

    在先前的文章系列中，我们深入探讨了机器学习的基础框架和算法分类，为读者构建了关于这一领域的坚实理论基础。本章节我们将焦点转向监督学习领域中的一个核心算法—— 卷积神经网络 (CNN)，旨在详尽解析其内在逻辑、应用实践及重要参数调整策略。

一、基本定义

（一）、监督学习

        监督学习（Supervised Learning）是机器学习中的一种主要方法，其核心思想是通过已知的输入-输出对（即带有标签的数据集）来训练模型，从而使模型能够泛化到未见的新数据上，做出正确的预测或分类。在监督学习过程中，算法“学习”的依据是这些已标记的例子，目标是找到输入特征与预期输出之间的映射关系。

（二）、监督学习的基本流程

        数据收集：获取包含输入特征和对应正确输出标签的训练数据集。
        数据预处理：清洗数据，处理缺失值，特征选择与转换，标准化或归一化数据等，以便于模型学习。
        模型选择：选择合适的算法，如决策树、支持向量机、神经网络等。
        训练：使用训练数据集调整模型参数，最小化预测输出与实际标签之间的差距（损失函数）。
        验证与调优：使用验证集评估模型性能，调整超参数以优化模型。
        测试：最后使用独立的测试集评估模型的泛化能力，确保模型不仅在训练数据上表现良好，也能在未见过的新数据上做出准确预测。

（三）、监督学习分类算法（Classification）

        定义：分类任务的目标是学习一个模型，该模型能够将输入数据分配到预定义的几个类别中的一个。这是一个监督学习问题，需要有一组已经标记好类别的训练数据，模型会根据这些数据学习如何区分不同类别。
        例子：垃圾邮件检测（垃圾邮件 vs. 非垃圾邮件）、图像识别（猫 vs. 狗）。

二、卷积神经网络 (CNN)

（一）、定义

卷积神经网络（Convolutional Neural Networks, CNN）是一种专门设计用于处理具有类似网格结构（如图像）数据的深度学习模型。CNN 在其网络结构中至少包含一层卷积层，该层使用卷积运算代替传统的矩阵乘法。这种架构模仿了生物视觉系统的处理方式，特别是视网膜和视觉皮层中的细胞如何响应局部区域的刺激。

（二）、基本概念

  • 卷积层：包含多个卷积核（filter或kernel），每个卷积核在输入数据上滑动，执行点积操作，以检测不同的特征。
  • 池化层：通常位于卷积层之后，用于降低特征图的空间尺寸，减少计算量，同时保持重要特征信息。
  • 全连接层：在网络的末端，用于将前面提取的特征映射到具体的类别上，进行最终的分类或回归预测。
  • 激活函数：如ReLU，引入非线性，帮助网络学习更复杂的特征。

（三）、训练过程

  1. 初始化：随机初始化网络权重。
  2. 前向传播：输入数据通过网络各层，计算输出。
  3. 损失计算：使用损失函数（如交叉熵损失）衡量预测值与实际标签的差异。
  4. 反向传播：计算损失相对于每个权重的梯度。
  5. 权重更新：使用优化算法（如梯度下降或Adam）更新权重，以最小化损失。
  6. 迭代训练：重复上述步骤，直到满足停止条件（如达到预定的训练轮数或损失收敛）。

（四）、特点

  • 平移不变性：卷积核在输入数据上滑动，能够检测到相同的特征，不论其位置如何。
  • 参数共享：同一卷积层内所有特征检测器使用相同的权重集，减少了参数数量。
  • 稀疏连接：每个神经元仅与输入的一部分区域相连，这减少了计算复杂度。
  • 层次特征学习：深层网络能从低级特征中学习高级抽象特征。

（五）、适用场景

  • 图像识别：分类、物体检测、图像分割等。
  • 视频分析：动作识别、场景理解。
  • 自然语言处理：文本分类、情感分析、机器翻译。
  • 语音识别：语音转文字、说话人识别。
  • 医学影像分析：疾病诊断、图像重建。

（六）、扩展

  • 深度可分离卷积：通过深度卷积和逐点卷积分离标准卷积，减少参数量。
  • 残差网络（ResNet）：通过跳跃连接避免梯度消失问题，允许训练更深的网络。
  • 注意力机制：允许网络专注于输入的某些部分，提高模型的解释性和性能。
  • 时空卷积网络（STCN）：结合时间和空间维度的卷积，适用于视频等时序数据。

三、总结

        随着CNN 的不断发展和创新，也拓展了其应用范围，使其在医疗影像分析、自动驾驶、虚拟现实、增强现实、艺术创作等众多领域展现出巨大的潜力和影响力。随着计算硬件的不断进步和算法的持续优化，CNN将继续在人工智能领域发挥核心作用。

   更多内容，防止走丢，请关注公众号，公众号会持续更新各类技术内容和职场介绍：

                                             

码上云游

暴躁的大熊
关注
专栏目录
吴恩达深度学习笔记（3）-神经网络如何实现监督学习？
Harpoon_fly的博客
11-18 837
神经网络的监督学习(Supervised Learning with Neural Networks) 关于神经网络也有很多的种类，考虑到它们的使用效果，有些使用起来恰到好处，但事实表明，到目前几乎所有由神经网络创造的经济价值，本质上都离不开一种叫做监督学习的机器学习类别，让我们举例看看。 在监督学习中你有一些输入x ，你想学习到一个函数来映射到一些输出 y ，比如我们之前提到的房价预测的例子，你...
2.神经网络的监督学习
lisong_ghost的博客
11-29 928
在有监督的学习中，我们会得到一个数据集，并且已经知道我们正确的输出应该是什么样子，认为输入和输出之间是有关系的。有监督的学习问题分为“回归”和“分类”问题。在一个回归问题，我们试图通过连续输出预测结果，这意味着我们是试图将输入变量映射到一些连续函数。而在分类问题中，我们改为试图在离散输出中预测结果。换句话说，我们试图将输入变量映射到离散的类别。下面是一些监督学习的例子：有不同类型的神经网络，例如卷积
机器学习（五） -- 监督学习（8） --神经网络3
最新发布
zqx1473的博客
09-05 920
tips：标题前有“***”的内容为补充内容，是给好奇心重的宝宝看的，可自行跳过。文章内容被“文章内容”删除线标记的，也可以自行跳过。！！”一般需要特别注意或者容易出错的地方。本系列文章是作者边学习边总结的，内容有不对的地方还请多多指正，同时本系列文章会不断完善，每篇文章不定时会有修改。由于作者时间不算富裕，有些内容的《算法实现》部分暂未完善，以后有时间再来补充。见谅！文中为方便理解，会将接口在用到的时候才导入，实际中应在文件开始统一导入。
1.3 用神经网络进行监督学习
王文强的博客
09-15 1586
上面的意思是：没对应的X的特征了，通过神经网络了，可以预测Y的值，后面是他们的预测应用（房价，在线广告图像识别，无人驾驶......），现在技术在将深度学习这一块取得的经济效果最好的是应用便是利用监督学习来，来对在线广告的投放。这块产生了巨大的价值。                                         上面的展示的是：标准神经网络，卷积神经网络，循环神经网络的模型
一文看懂25个神经网络模型
热门推荐
刘炫320的博客
06-17 24万+
1. 引言在深度学习十分火热的今天，不时会涌现出各种新型的人工神经网络，想要实时了解这些新型神经网络的架构还真是不容易。光是知道各式各样的神经网络模型缩写（如：DCIGN、BiLSTM、DCGAN……还有哪些？)，就已经让人招架不住了。因此，这里整理出一份清单来梳理所有这些架构。其中大部分是人工神经网络，也有一些完全不同的怪物。尽管所有这些架构都各不相同、功能独特，当我在画它们的节点图时……其中潜在
CNN基础知识笔记
zxmyoung的博客
10-24 1万+
1. 卷积神经网络的概念 上世纪60年代，Hubel等人通过对猫视觉皮层细胞的研究，提出了感受野这个概念，到80年代，Fukushima在感受野概念的基础之上提出了神经认知机的概念，可以看作是卷积神经网络的第一个实现网络，神经认知机将一个视觉模式分解成许多子模式（特征），然后进入分层递阶式相连的特征平面进行处理，它试图将视觉系统模型化，使其能够在即使物体有位移或轻微变形的时候，也能完成识别。 卷积神经网络是多层感知机（MLP）的变种，由生物学家休博尔和维瑟尔在早期关于猫视觉皮层的研究发展而来，视觉皮层的
CNN卷积神经网络（图解CNN）
WGS.
08-23 7万+
超详细的CNN卷积网络讲解，及经典网络LeNet复现
机器学习-卷积神经网络
05-05
机器学习是人工智能领域中的一种主要技术，卷积神经网络（Convolutional Neural Network，CNN）是机器学习中的一种深度学习算法。卷积神经网络是为图像识别和信号处理而设计的，具有广泛的应用前景。 卷积神经网络...
机器学习--利用卷积神经网络进行鸟类识别-代码
04-14
机器学习–利用卷积神经网络进行鸟类识别 具体解析请看链接： https://blog.csdn.net/weixin_44602933/article/details/116547300?spm=1001.2014.3001.5502
EX.中科曙光大学人工智能系列课程配套实验手册-深度学习课程-实验2-使用卷积神经网络实现手写体数字识别1
08-08
本实验主要目标是通过使用卷积神经网络（CNN）实现手写数字的识别，这是深度学习领域中的一个经典任务，通常使用MNIST数据集。实验过程中涵盖了Python编程基础、Keras库的应用以及科学计算包如Pandas和Numpy的基础...
资源下载CNN-LeNet-test - 卷积神经网络测试模型
05-08
CNN_LeNet_test 是一个基于LeNet...此模型适用于机器学习和人工智能的研究领域，也适合那些希望在图像识别项目中快速实现基础功能的用户。在使用此资源时，请确保遵守相应的使用协议和法律法规，并尊重版权和知识产权。
11-卷积神经网络week21
08-04
卷积神经网络案例研究 卷积神经网络（Convolutional Neural Networks，CNN）是深度学习领域中一...通过研究和了解卷积神经网络的原理和应用，我们可以更好地设计和应用卷积神经网络，并推动人工智能和机器学习的发展。
卷积神经网络—目标检测 学习笔记（上）
junex的博客
01-31 3145
3.1 目标定位（Object Localization） Image classification（图像分类）：对输入图像进行分类。例如有一个猫狗分类器，当你输入一张图片时，分类器能分辨出这是猫或者是狗，这便是图像分类。 Classification with localization（定位分类）：不仅要进行图像分类，还要得到被检测目标的位置（用包围盒bounding box表示）。注意
深度学习之用神经网络进行监督学习
lonely_wolf的博客
09-03 1763
到目前为止，几乎所有由神经网络创造的经济价值都基于其中的一种机器学习，“监督学习”   深度学习有很多用途，应用于广告点击（用户最喜欢看什么样的广告），机器翻译，语音识别（将语音翻译成文字），无人驾驶，图像处理。RNN(循环神经网络)非常适合处理一维的数据，其中包含时间序列。CNN（卷积神经网络）通常用于图像处理。
对抗神经网络之对抗卷积神经网络[2]
一个想要改变世界的IT slave的专栏
12-13 1万+
上一篇博文[1]简单介绍了对抗网络的理论和大概流程。其中所谓的对抗网络可以归结为unsupervised learning 或者 generative model。从无监督学习来进行feature representation,有k-means聚类算法，auto-encoders[2]，以及09年的Deep belief networks等等。
机器学习之非监督学习——（猫狗识别案例/搭建卷积神经网络）
weixin_42807063的博客
05-15 6347
非监督学习 监督学习的存在它的弊端，例如对我们人类还无法分辨和归类的事物，监督学习就无法完成，所以为了弥补这个缺陷，下面我们看一下新非监督学习，它可以让计算机学会进行更加复杂的分类。 分析过程 非监督学习的构建一般由三个部分组成，数据的预处理，神经网络的搭建，然后进行训练测试，训练测试生成数据集和模型，最后倒入已知数据，让计算机对我们输入的数据进行分类。 项目案例： 猫狗识别 知识点： 1、数据的...
全图表征学习算法之无监督学习和基于卷积神经网络的监督学习
喜欢打酱油的老鸟
12-29 4599
https://www.toutiao.com/a6640000238176174600/    2018-12-28 19:12:09 已有的全图表征学习算法包括无监督和有监督两类，其中有监督算法又可以分为基于卷积网络和神经消息通信两种算法，今天一起来看看无监督方法和基于卷积神经网络的监督方法。 基于深度核函数的无监督方法深度图函数算法建立在传统的图核函数方法的基础之上，每个图结构可以分...
深度学习 --- 卷积神经网络CNN（LeNet-5网络详解）
进击的菜鸟
11-26 23万+
卷积神经网络（Convolutional Neural Network，CNN）是一种前馈型的神经网络，其在大型图像处理方面有出色的表现，目前已经被大范围使用到图像分类、定位等领域中。相比于其他神经网络结构，卷积神经网络需要的参数相对较少，使的其能够广泛应用。 本节打算先介绍背景和简单的基本概念术语，然后详细介绍LeNet-5网络，其工作流程大家需要先搞清楚，学习原理其实是基于BP学习原理的，只...
卷积神经网络----无监督特征学习
zhoutongchi的专栏
11-05 1万+
卷积神经网络是近年发展起来，并引起广泛重视的一种高效识别方法。20世纪60年代，Hubel和Wiesel在研究猫脑皮层中用于局部敏感和方向选择的神经元时发现其独特的网络结构可以有效地降低反馈神经网络的复杂性，继而提出了卷积神经网络（Convolutional Neural Networks-简称CNN）。现在，CNN已经成为众多科学领域的研究热点之一，特别是在模式分类领域，由于该网络避免了对图像的
深度学习原理探析：卷积神经网络CNN的优势解析
"这篇文档是深度学习系列教程的一部分，专注于卷积神经网络（CNN）的基本原理。文中将探讨为何选择CNN而非传统机器学习算法或简单的神经网络进行图像识别，并介绍神经网络的一些预备知识，包括特征提取的高效性、...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值