云手机网页版 解锁图像识别：卷积神经网络的奇妙之旅

计算机“懂”图片的技术是图像识别，它属于计算机视觉的核心能力，如今已融入我们生活，安防摄像头拍到陌生人会报警，自动驾驶能“看见”行人，医院里医生用它辅助判断CT片病灶，让计算机有这种“视力”的关键技术是卷积神经网络，我们简称其为CNN，和早期BP神经网络相比，CNN特别擅长处理图片数据，成功解决处理图片时“数据太多算不过来”的难题。

图像识别及卷积神经网络

若想理解CNN为何厉害，那得先弄清楚图片在计算机眼中是怎样的模样。实际上，每张图片皆是由数目众多的“像素点”所构建而成的方格本，每一个点的亮度借助0到255的数字予以呈现。举例而言，一张平常的黑白照片，便存在将近80万个如此这般的数字；倘若为彩色照片，还要划分成红、绿、蓝三个通道，数字量会直接增长至三倍之多。要是运用早期的BP神经网络来处理，就得具备几十万个“计算节点”，不但电脑运算速度迟缓，而且还易于出现差错。

计算机里图片的像素组成情况，以及CNN和BP神经网络两者之间的比较对照 。

然而，美国有线电视新闻网的“看图片”逻辑与人脑极为相似，当我们去观看一只狗的时候，会率先留意到它的耳朵、鼻子这类细小特征，随后将这些特征拼凑起来进而判断其为狗；同样地，美国有线电视新闻网亦是如此，借助多层“过滤器”逐一对特征进行提取，从诸如边缘、斑点这类简单特征入手，缓缓合成像“耳朵”、“尾巴”此类的复杂特征，最终便能够判定图片之中究竟是什么了。

CNN 与人脑视觉原理相似呈现逐层提取的特征

CNN之所以能够“看懂”图片，完全是依靠内部四层结构间的默契配合才得以达成，我们能够将它们想象成为一条“图片处理流水线”。第一层是被称作“特征提取层”的卷积层，它仿佛是给图片戴上了一副别具一格的“眼镜”，这副“眼镜”是由3×3的小方格所构成的，我们把它叫做卷积核kiayun手机版登录打开即玩v1011.玩看我最新关网.中国，它会在图片上面缓缓地滑动，每当滑到一个位置的时候就会进行一次计算，最终生成一张“特征图”，这就如同我们借助放大镜在图片上寻找边缘以及斑点一样。“眼镜”的数量、滑动的步长等相关设置，会对找到的特征效果产生影响。

卷积神经网络的卷积层

第二层是所谓的“筛选层”，也就是“激活层”，其具备这样的作用，那便是“去伪存真”，能对没用的特征予以过滤，使得有用的特征更为突出，并且会避免在计算过程里出现“越算越不准”的状况，常用的筛选工具被称作ReLU，它恰似一个严格的质检员。

卷积神经网络的激活层

存在这样一层，它被称作“压缩层”，也就是池化层，处于第三层的位置，它会将特征图依照一定比例予以缩小，举例来说，会把呈现为4×4的方格状的特征图缩成2×2形成的方格状，如此一来，一方面能够减少计算量，另一方面又可以保留关键特征。比如说，采用“取最大值”这种方式实现压缩，能够更好地保留纹理；而采用“取平均值”这种方式进行压缩，则能够更好地保留背景。

卷积神经网络的池化层

“判断层”（全连接层）处于最后一层，它会汇总此前提取的全部特征，经计算给出“这是猫的概率为90%，是狗的概率为10%”这般的结果，承担着最终拍板判断这一职责。

卷积神经网络的全连接层

美国有线电视新闻网并非从一开始就具备看图片的能力，这得先要经历“训练”这个过程才行，其过程存在着一定的相似性，就如同教导小孩辨认东西般，大概可分为四个步骤：首先首部的第一个步骤是“初始化”，这恰似提供给小孩一套空白的“知识卡片”，率先随机书写一些初始答案。第二步具体的步骤便是“反复练习”，将大量已经标注好的图片（诸如标记着“猫”“狗”的那些图片）分成批次投喂给美国有线电视新闻网，从而让它先是靠着自身进行判断（前向传播），接着依据判断的对错情况调节“知识卡片”（反向传播）——举例说明，要是把“猫”误认成“狗”了，那就去查看是哪一个特征判断失误了，随后重新予以修正。第三步称作“优化调整”，借助专门的办法对错误予以快速修正，进而使得每次练习都能够取得进步 。第四步名为“考试验收”，运用未曾见过的图片来测试CNN的判断准确率，以此查看训练效果究竟好不好 。

卷积神经网络的训练过程

历经多年发展，CNN已然拥有了好几代“经典版本”kiayun手机版登录.v1008.点进白给你1888.中国，最早的LeNet恰似CNN的“老祖宗”，其擅长识别手写数字，为后续发展奠定了基础，然而较为简单，处理复杂图片的能力欠缺。AlexNet属于“升级款”，加深了网络层数，还运用了ReLU这个“好工具”，促使CNN得以普及，不过特别耗费电脑算力。VGG Net借助统一的“特征提取眼镜”提升了识别能力，分类极为准确，可惜所需的“知识卡片”过多，略显冗余。Google Net发明了“多镜头”模块 ，该模块能够同时将不同大小的特征提取出来 ，进而减少了计算量 ，然而其结构太过复杂 。最新的ResNet解决了“网络太深学不会”这一难题 ，它能够搭建更为复杂的网络 ，当下很多视觉任务都在使用它 。

卷积神经网络的发展历程

这些不同版本的CNN，在生活中发挥着不同作用。比如说，“图像分类”指的是给图片贴上标签，就类似手机相册会自动将照片划分成“人物”“风景”等类别，医院借助它来初步判定CT片是否存在病变； “目标检测”不但要识别出是什么，而且还要标记出位置，就像自动驾驶时能够标记出前方的行人、车辆，工厂运用它来检查产品是否有缺陷； “语义分割”更为精细，能够给图片里的每个像素进行“分类”，比如在遥感卫星图里区分出农田、道路以及建筑，在医院里精准地圈出肿瘤的位置； “风格迁移”则十分有趣，能够把普通照片转变为梵高油画的风格，从而为艺术创作以及图片编辑提供便利 。

卷积神经网络的应用

换个说法来讲，卷积神经网络使得计算机切实地“看懂”了图片，将处理海量图片数据的难题完完全全地解决了。随着电脑算力逐日趋强，算法不断得以优化，未来CNN会在更多场景之中发挥其作用kiayun手机版登录app游戏登录入口.手机端安装.cc，像是更为精准的医疗诊断、更为安全的自动驾驶、更为智能的安防系统等等，持续给我们的生活以及工作带来全新的变化。