?

人工神經(jīng)網(wǎng)絡(luò)

?神經(jīng)元

? ? 神經(jīng)網(wǎng)絡(luò)由大量的神經(jīng)元相互連接而成。每個神經(jīng)元接受線性組合的輸入后，最開始只是簡單的線性加權(quán)，后來給每個神經(jīng)元加上了非線性的激活函數(shù)，從而進(jìn)行非線性變換后輸出。每兩個神經(jīng)元之間的連接代表加權(quán)值，稱之為權(quán)重（weight）。不同的權(quán)重和激活函數(shù)，則會導(dǎo)致神經(jīng)網(wǎng)絡(luò)不同的輸出。

? ? 舉個手寫識別的例子，給定一個未知數(shù)字，讓神經(jīng)網(wǎng)絡(luò)識別是什么數(shù)字。此時的神經(jīng)網(wǎng)絡(luò)的輸入由一組被輸入圖像的像素所激活的輸入神經(jīng)元所定義。在通過非線性激活函數(shù)進(jìn)行非線性變換后，神經(jīng)元被激活然后被傳遞到其他神經(jīng)元。重復(fù)這一過程，直到最后一個輸出神經(jīng)元被激活。從而識別當(dāng)前數(shù)字是什么字。

? ? 神經(jīng)網(wǎng)絡(luò)的每個神經(jīng)元如下

?

? 基本wx + b的形式，其中

• 、表示輸入向量
• 、為權(quán)重，幾個輸入則意味著有幾個權(quán)重，即每個輸入都被賦予一個權(quán)重
• b為偏置bias
• g(z) 為激活函數(shù)
• a 為輸出

?卷積神經(jīng)網(wǎng)絡(luò)之層級結(jié)構(gòu)

?

?上圖中CNN要做的事情是：給定一張圖片，是車還是馬未知，是什么車也未知，現(xiàn)在需要模型判斷這張圖片里具體是一個什么東西，總之輸出一個結(jié)果：如果是車 那是什么車

所以

最左邊是數(shù)據(jù)輸入層，對數(shù)據(jù)做一些處理，比如去均值（把輸入數(shù)據(jù)各個維度都中心化為0，避免數(shù)據(jù)過多偏差，影響訓(xùn)練效果）、歸一化（把所有的數(shù)據(jù)都?xì)w一到同樣的范圍）、PCA/白化等等。CNN只對訓(xùn)練集做“去均值”這一步。
? ? 中間是

• CONV：卷積計(jì)算層，線性乘積 求和。
• RELU：激勵層，上文2.2節(jié)中有提到：ReLU是激活函數(shù)的一種。
• POOL：池化層，簡言之，即取區(qū)域平均或最大。

? ? 最右邊是

• FC：全連接層
  ?

?CNN之卷積計(jì)算層

CNN怎么進(jìn)行識別

? ?簡言之，當(dāng)我們給定一個"X"的圖案，計(jì)算機(jī)怎么識別這個圖案就是“X”呢？一個可能的辦法就是計(jì)算機(jī)存儲一張標(biāo)準(zhǔn)的“X”圖案，然后把需要識別的未知圖案跟標(biāo)準(zhǔn)"X"圖案進(jìn)行比對，如果二者一致，則判定未知圖案即是一個"X"圖案。

? ?而且即便未知圖案可能有一些平移或稍稍變形，依然能辨別出它是一個X圖案。如此，CNN是把未知圖案和標(biāo)準(zhǔn)X圖案一個局部一個局部的對比，如下圖所示

?參考文章：https://blog.csdn.net/v_JULY_v/article/details/51812459?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522163084129916780366542043%2522%252C%2522scm%2522%253A%252220140713.130102334..%2522%257D&request_id=163084129916780366542043&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2~all~top_positive~default-1-51812459.pc_search_result_hbase_insert&utm_term=cnn&spm=1018.2226.3001.4187

總結(jié)

以上是生活随笔為你收集整理的【python】CNN算法的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。