10.4卷积神经网络的介绍在线视频

前面我们给大家介绍了

三成神经网络的搭建

那么神经网络最基本的单位

那就是我们的神经元

那我们输入的这个就是神经元

连接的就是我们的全值

那么神经网络就是有大量的神经元

相互连接而形成的一个

复杂的网络系统

它是反映了人脑功能

许多的基本特征

是一个高度复杂的

非线性动力学习系统

其实呢

前面已经了解到

那么输入的神经元

与我们全值的相乘的和

那么也就是一个输入的神经元的矩阵

与全值矩阵的一个积

再带一个激活函数

那么就是下一个中间层的

一个神经元的获得

那我们应用这样的方式呢

可以得到什么呀

许多层的神经元

然后呢

直到得到我们输出的神经元

那么在这个里面呢

通过这么多年的研究呢

那么计算机科学专家的

提出了其他的一些

神经网络的一些结构

比如说我们带有循环机制的rn

具有长短记忆功能Lstm

以及这个待遇门循环的一个积RU

那么最经典的还就是我们的这个

卷积神经网络

一样的

如果我们在处理一个图片的时候

使用的我们前面说的

这个经典的神经网络

也就是一个全连接的神经网络的时候

它的数量是非常大的

所以它的连接的参数也会很多

从而导致计算的量就非常大

人类对外界的认识

一般都是从局部到全局

先对局部有感知的认识

再逐步对全体有认知

这是人类的认识模式

那么在图像处理中呢

我们也是通过这样的一个认识方式

那么局部内的

像素之间的联系较为紧密

而距离较远的像素呢相关的较弱

因而呢

每个神经元只需要对局部进行感知

然后在更高层次

将局部的信息综合起来

就得到了这个全部信息

这个呢就是

卷积神经网络中这个降低

参数数目的一个重要的思路

那么卷积神经网络的

结构是什么样的呢

它是由这个卷积层加一个池化层

再加一个全连接层

是这样的一个结构组成的

我们下面来看一下

卷积神经网络的卷基层

那么卷积

神经网络中的这个核心呢

就是我们的卷积这个运算

那么相当于图像处理中的滤波器运算

对于我们一个

N×M大小的这个卷积核呢

其对于某一原

图像进行卷积运算的过程

为这个卷积核

W中的每一个全职分别和

这个覆盖的这个原图像X所对应的

相乘然后就得到一个求和

可以看的到其实就是我们的卷积和

矩阵与我们原图相对应的

和卷积和像一样大小的矩阵

我们来看一下这个过程

那么我们的卷积和是

101010101

那么从上面开始呢

从第1个第2个

那么他的步长是1

得到之对应的值啊

这就是一个卷积的过程

卷积和我们一样的原图像的大小

来做一个內积

这个卷积的合的移动的过程中

他是由卷积的方式

我们称之为有两种

比如说这是我们的原来的圆的图像

123456

卷积核的大小是什么呀

2×2

然后呢我们步长定为2

它卷的方式有两种

如果我们设置为padding

等于same这个形状

第一个卷积和第二个和

不够的时候他是补0的

那么如果用这个

Padding=valid的时候

那么它不够的时候就把它舍弃掉

只能就只能选出来

是满足和我们卷积和一样大小的

那么比积和小的呢

就把它去掉就是这样的一个过程

另外的一个操作就是一个池化的过程

池化是卷积神经网络的另一个概念

它的实际上是一种形式的降采样

池化是一个非线性

下降采样的一种形式

主要作用是通过减少

网络的参数来减少计算量

并且能够在一定程度上控制过拟合

通常在这个卷积层的后面

都会加一个石化层

那么迟化的数学原理就是

通过对它进行这个池化操作后

提取里面真正能够

识别的特征的数值

那么其余的是被舍弃的数值

对于提取特定的特征

并没有特别大的这个帮助

那么在这个进行后续的计算中

就是减少了他的这个

特征的那个尺寸

那么从而减少参数

我们达到了减少计算量的这个目标

并且那还可以

对这个损失

没有什么损失

是这样子的一个结果

我们来看一下

神经网络的池化的过程

那么迟化的过程

可以分为常用的三种

那我们这是原来的图片

在池化的时候

池化的大小是2×2

我们可以看到

如果是最大池化

那么就在一个方块里面取最大最大值

那么产生一个新的一个矩阵

如果是一个平均池化呢

相当于我每一个数值都参加

得到一平池

随机池化得到一个随机数

以此来去作为概率进行采样

是这样子的一个过程

那么用那个

TrensorFlow来去

搭建我们的卷积神经网络

我们常用的函数我们来看一下

我们首先要搭建一个

通过TrensorFlow

下面的keras

这个框架的这个

models,

Sequential

来去搭建这个网络的这个结构

一层一层是这样逐步的

下面的这个

tf.keras,

layers,flatten

那就是他是一个拉直的拉伸的平层

那也就说输入的是一个

一维的一个数组

全连接层的就是

tf.keras.

layers.dense

那这个里面参数有这个神经元的个数

以及的激活函数激活

另外的话会有一个正则化的处理

那么正则化就是防止过拟合的

那么在我们的损失里面

可以加一些扰动

那么他的方式有这个L1和L2

另外的话就我们可以看的到

tf.keras.

layers.conv2d

那么就是一个

两维的一个卷积

那么里面可以设置什么卷积核的个数

这个卷积的尺寸

卷积核的这个大小

卷积的步长

以及卷积的这个方式

在下面这个就是我们的池化层

那么池化层里面有最大池化

平均池化随机池化

像MaxPool2D就是最大池化

可以定义参数常用的

池化的尺寸以及池化的步长

我们神经网络这个搭建

以及他的训练

和我们这个预测结果的应用