Day 20: Convolutional Neural Networks — 卷积神经网路初探(上)

卷积神经网路 Convolutional Neural Networks

卷积神经网路(CNN)又被称为 CNNs 或 ConvNets，它是目前深度神经网路（deep neural network）领域的发展主力，在图片辨别上甚至可以做到比人类还精准的程度。如果要说有任何方法能不负大家对深度学习的期望，CNN 绝对是首选。
CNN 最棒的地方是在一步一步说明原理的情况下，它是个很好理解的演算法。所以以下我将为各位说明 CNN，也欢迎参考上方比图片更详细的影片。如果中间有什麽不懂的地方，只要点击图片，就能跳到影片中对应的说明。(资料参考)

CNN是一种特别的人工神经网路。CNN与传统人工神经网路(ANN)最大的不同在於CNN自动执行特徵(feature)工程。传统的ANN或者MLP由一层输入层、一或多层隐藏层及一层输出层所组成。CNN拥有一组附加层，被称为卷积层(convolution layers)。输入的图片会先被输入至第一层卷积层。卷积层的输出会被给予至完全连结MLP的输入层。卷积层对输入图像实行特徵(feature)工程(如提取与选择特徵)的演算法。MLP实施传统深度学习的演算法去分类图片。

卷积层拥有两个部分:

• 卷积: 该层从图片提取特徵 (特徵萃取 feature extraction)
• 二次抽样: 该层从提取的特徵中进行选择 (特徵选择 selection)

输入图像 (卷积) → Feature maps (二次抽样) → Feature maps (卷积) → Feature maps (二次抽样) → Output (完全连接)

电脑将单通道的黑白图像视为像素值的2D矩阵，RGB通道的彩色图像显示为这些2D矩阵的堆叠。这些矩阵的堆叠组成了3D张量(tensor)

▲ 黑白图像在电脑中被视为2D矩阵

▲ 一个3D图像张量的视觉呈现

下篇接续~

资料参考:
https://brohrer.mcknote.com/zh-Hant/how_machine_learning_works/how_convolutional_neural_networks_work.html