CNN解決問題：

• 提取特征：卷積操作提取圖像特征，如邊緣、紋理等，保留圖像特征。
• 數(shù)據(jù)降維：池化操作大幅降低參數(shù)量級，實現(xiàn)數(shù)據(jù)降維，大大減少運算量，避免過擬合。

二、人類的視覺原理

在我們了解 CNN 原理之前，先來看看人類的視覺原理是什么？

1981年諾貝爾醫(yī)學獎：

• 獲得者：David Hubel（大衛(wèi)·休伯爾）、Torsten Nils Wiesel（托斯坦·威澤爾）、Roger Sperry（羅杰·斯佩里）
• 主要貢獻：發(fā)現(xiàn)了視覺系統(tǒng)的信息處理，可視皮層是分級的。

人類視覺原理：

• 光信號感知：原始信號攝入，光信號轉化為神經(jīng)信號。
• 初級視覺處理：神經(jīng)信號傳送到大腦的初級視覺皮層，進行初步特征提取，例如邊緣、紋理等。
• 高級視覺處理：初級視覺皮層的信息傳遞到高級視覺皮層，進行復雜的特征提取，例如顏色、形狀、運動等。
• 識別與認知：將輸入的圖像與已有的知識進行匹配和識別。

三、CNN的基本原理

構成部分：

• 卷積層：用來提取圖像的局部特征。
• 池化層：用來大幅降低參數(shù)量級，實現(xiàn)數(shù)據(jù)降維。
• 全連接層：用來輸出想要的結果。

基本原理：

• 卷積層：通過卷積核的過濾提取出圖片中局部的特征，類似初級視覺皮層進行初步特征提取。

使用一個過濾器（卷積核）來過濾圖像的各個小區(qū)域，從而得到這些小區(qū)域的特征值。

• 池化層：下采樣實現(xiàn)數(shù)據(jù)降維，大大減少運算量，避免過擬合。

原始是20×20的，進行下采樣，采樣為10×10，從而得到2×2大小的特征圖。

• 全連接層：經(jīng)過卷積層和池化層處理過的數(shù)據(jù)輸入到全連接層，得到最終想要的結果

四、典型的CNN及實際應用

典型的 CNN 并非只是上面提到的3層結構，而是多層結構。

例如，LeNet-5被譽為是卷積神經(jīng)網(wǎng)絡的“Hello Word”。LeNet-5是圖靈獎獲得者Yann LeCun（楊立昆）在1998年提出的CNN算法，用來解決手寫識別的問題。

LeNet-5 的網(wǎng)絡結構：

• 輸入層：INPUT
• 三個卷積層：C1、C3和C5
• 兩個池化層：S2和S4
• 一個全連接層：F6
• 輸出層：OUTPUT

輸入層- 卷積層 – 池化層- 卷積層 – 池化層 – 卷積層 – 全連接層 – 輸出層

實際應用：

• 圖像分類：可以節(jié)省大量的人工成本，將圖像進行有效的分類，分類的準確率可以達到 95%+。典型場景：圖像搜索。
• 目標定位：可以在圖像中定位目標，并確定目標的位置及大小。典型場景：自動駕駛。
• 目標分割：簡單理解就是一個像素級的分類。典型場景：視頻裁剪。
• 人臉識別：非常普及的應用，戴口罩都可以識別。典型場景：身份認證。

文章轉自微信公眾號@架構師帶你玩轉AI

#你可能也喜歡這些API文章!

使用這些基本 REST API 最佳實踐構建出色的 API

如何使用API：初學者的分步教程