《卷积神经网络ppt课件.pptx》由会员分享，可在线阅读，更多相关《卷积神经网络ppt课件.pptx（21页珍藏版）》请在三一办公上搜索。
1、卷积神经网络,人工智能,什么是卷积神经网络,是一类包含卷积计算且具有深度结构的前馈神经网络，是深度度学习的代表算法之一 。卷积神经网络具有表征学习能力，能够按其阶层结构对输入信息进行平移不变分类，因此也被称为“平移不变人工神经网络”。,前馈神经网络：每个神经元只与前一层的神经元相连。接收前一层的输出，并输出给下一层各层间没有反馈。表征学习：特征学习，将原始数据转换成为能够被机器学习来有效开发的一种形式。它避免了手动提取特征的麻烦，允许计算机学习使用特征的同时，也学习如何提取特征：学习如何学习。特征学习：如果人们选择图像中的连续范围作为池化区域，并且只是池化相同(重复)的隐藏单元产生的特征，那么
2、，这些池化单元就具有平移不变性。这就意味着即使图像经历了一个小的平移之后，依然会产生相同的 (池化的) 特征。,发展历程,1959年,发现动物视觉原理,提出人工神经感知机,1980年,1990年,提出CNN的原始版本,1998年,提出基于梯度学习的LeNet-5,2012年,提出更有深度结果的AlexNet,2013年,ZFNet,2014年,VGGNet、GoogLeNet,至今,ResNet等,动物视觉原理,1958 年，DavidHubel 和 TorstenWiesel 在 JohnHopkins University，研究瞳孔区域与大脑皮层神经元的对应关系。他们在猫的后脑头骨上，开了
3、一个3 毫米的小洞，向洞里插入电极，测量神经元的活跃程度。发现方向选择性细胞。当瞳孔发现了眼前的物体的边缘，而且这个边缘指向某个方向时，这种神经元细胞就会活跃。,这个发现激发了人们对于神经系统的进一步思考。神经-中枢大脑的工作过程，或许是一个不断迭代、不断抽象的过程。,神经感知机,S型细胞用于提取局部特征。C型细胞对S型细胞的输入进行一些处理,如图像较小的位移或轻微变形等。,图像特征,复杂图形，往往由一些基本结构组成。 一个图可以通过用64种正交的 edges（可以理解成正交的基本结构）来线性表示。比如样例中的小图片可以用1-64个 edges 中的三个按照0.8,0.3,0.5的权重调和而成
4、。而其他基本 edge 没有贡献，因此均为0 。,举个例子,首先，底层神经元感知像素（pixeis）,第二层V2在V1的基础上抽象出了edges,V3继续在V2基础上抽象，直到最后一层组合出了具体的图像。,总结,在此处添加总结。,另外人们还发现，不光图像有这样的特性，声音也有。人们经过研究从未标注的声音中发现了20种基本的声音结构。,卷积神经网络的结构,卷积神经网络是一个多层的神经网络，每层由多个二维平面(特征图)组成，每个平面通过一个卷积滤波器提取一个特征。而每个平面由多个独立神经元组成。,组成：输入层、卷积层、池化层、全连接层、输出层。,上图第一层为输入层，第二层为卷积层，第三层为池化层，
5、第四层为卷积层，第五层为池化层，第六层为全连接层，最后为输出层。,工作过程,输入图像通过和三个可训练的滤波器和可加偏置进行卷积，滤波过程如图一，卷积后在 C1层产生三个特征映射图，然后特征映射图中每组的四个像素再进行求和，加权值，加偏置，通过一个Sigmoid 函数得到三个 S2层的特征映射图。这些映射图再进过滤波得到 C3层。这个层级结构再和 S2一样产生 S4。最终，这些像素值被光栅化，并连接成一个向量输入到传统的神经网络，得到输出。,卷积层,输入层就是读取图像，这里不多说。卷积层：通过卷积核与图像卷积，提取图像特征。另外卷积核的参数是可以训练的。比如现在有一个3X3的卷积核：我们用它来卷
6、积图下面的图像,第一张是原图，第二张是卷积结果。 通过观察我们发现，通过卷积核的卷积处理，图像的高频特征被提取出来了。,池化层,池化层，就是把每四个单元里的值用一个值来代替。池化分为很多种，最常见的是最大值池化和平均池化加入有四个单元：如果是最大池化，则为9，如果是平均池化则为(5+4+7+9)/4。,特征提取后传给，池化层（pooling）采样后，数据量就会变小。池化层得到数据后又和下一次卷积层卷积，进一步提取特征。经过多次提取采样后与传给全连接层全，连接层处理后，输出结果。,全连接层,如上图，全连接层的每一个神经元都和前一层相连，然后其通过分类器，根据全连接得到的数据对图像进行分类。根据分类输出分类结果。,回顾卷积神经网络整个过程,Conv卷积relu线性整流函数pool池化层FC全连接层,LeNet-5,用于识别手写体字符的算法。,AlexNet,AlexNet网络2012年的ImageNet大规模视觉挑战赛，并以高出第二名10%的性能优势取得了冠军。被称为深度学习在图像分类任务方面的标杆。,SENet,The end!,
