当前课程知识点:Introduction to Artificial Intelligence > Chapter 6 Convolutional Neural Network > 6.1 What is Convolutional Neural Network > Video 6.1
返回《Introduction to Artificial Intelligence》慕课在线视频课程列表
返回《Introduction to Artificial Intelligence》慕课在线视频列表
大家好
这一章我们来学习
什么是卷积神经网络
Yann LeCun
Facebook AI研究小组主任
是卷积神经网络的先驱
他于1988年建立了第一个
卷积神经网络
命名为LeNet
LeNet用于
字符识别任务
例如读取邮政编码和数字
您是否想过
面部识别在社交媒体上如何工作
或者物体检测
如何帮助建造自动驾驶汽车
或者在医疗保健中
如何使用视觉图像
进行疾病检测
借助卷积神经网络
一切皆有可能
这是卷积神经网络的示例
说明了
它们的工作原理
想象有一张鸟的图像
而你想确定它是鸟还是其他物体
要做的第一件事是
以数组的形式
将图像的像素
馈送到神经网络的输入层
隐藏层通过执行不同的
计算和操作来
执行特征提取
其中有多个隐藏层
例如卷积层
ReLU层
池化层
都可以从图像中
提取特征
最后有一个完全连接的层
用于标识图像中的对象
计算机如何读取图像呢
考虑一下北京天际线的图像
乍一看
会看到很多建筑物和色彩
那么计算机如何处理该图像
图像将分为三原色三个颜色通道
分别是红色
绿色还有蓝色
每个颜色通道
都映射到图像的像素
然后,计算机识别
与每个像素关联的值
并确定图像的大小
但是,对于黑白图像
只有一个通道
概念和之前的完全相同
对于卷积神经网络,我们无法利用
完全连接的网络
为什么呢
考虑一种情况
我们有一个1000 * 1000像素的
灰度图像
我们将其作为输入层
并希望隐藏层具有与输入层相同的神经单位
如果将其输入到卷积神经网络
则第一个隐藏层本身
将具有约10到12权重的幂数
如果这只是第一层隐藏层
请想象一下要处理整个复杂图像集
所需的神经元数量
这会导致过度拟合
并且不切实际
因此,我们无法利用完全连接的网络
如果要更好地处理图像
我们必须首先了解图像图案的特征
让我们看看这两张照片
我们可以看到
虹膜花仅出现在图像的
局部区域
而并非所有具有相似形态特征的虹膜花
都位于
图像中的
相同位置
我们如何利用这一特征
首先我们可以定义一种
提取局部特征的方法
使用该方法可以有效地响应特定的局部模式
然后使用此方法
去遍历整个图片
在卷积神经网络中
我们通过卷积来实现
这个特征表明即使是图像大小发生变化
虹膜花仍然可以
有效区分
我们如何利用这一特征
在神经网络的
逐层累积过程中
我们可以直接对图像
进行缩放
当将尺寸缩放到合适的尺寸时
可以在特征提取过程中获得有效的响应
在卷积神经网络中
我们通过池化来实现
然后,让我们看看什么是卷积神经网络
卷积神经网络
是一种前馈神经网络
通常用于通过处理具有网格状拓扑的数据
来分析
视觉图像
也称为卷积网
卷积神经网络用于检测
和分类图像中的
对象
卷积神经网络
具有多个隐藏层
可帮助从图像中
提取信息
卷积神经网络中的四个重要层是
卷积层
ReLU层
池化层和完全连接层
卷积层
ReLU层和池化层
将出现多次
以提取特征
而完全连接的层
将在分类末尾出现
一次或多次
这一节我们就讲到这
感谢收看,欢迎进入下一节的学习
-1.1 What is artificial intelligence
--Exercise 1.1
-1.2 The History of artificial intelligence
--Exercise 1.2
-1.3 Applications of Artificial Intelligence
--Exercise 1.3
-1.4 Machine Learning and Deep Learning
--Exercise 1.4
-2.1 What is Machine Learning
-2.2 Supervised Learning
-2.3 Unsupervised Learning
-2.4 Construction of Development Environment
-3.1 What is Regression
--Exercise 3.1
-3.2 Linear Regression
--Exercise 3.2
-3.3 Logistic Regression
--Exercise 3.3
-3.4 Practical Case
-4.1 What is Classification
-4.2 Naive Bayes
-4.3 Support Vector Machine
-4.4 Practical Case
-5.1 Introduction to Deep Learning
--Exercise 5.1
-5.2 What is Neural Network
--Exercise 5.2
-5.3 Neural Network Basics
--Exercise 5.3
-5.4 Practical Case
-6.1 What is Convolutional Neural Network
-6.2 Convolution Layer
-6.3 Pooling Layer
-6.4 Classical Convolutional Neural Network
-7.1 What is Computer Vision
--Exercise 7.1
-7.2 Image Classification
--Exercise 7.2
-7.3 Introduction to TensorFlow
--Exercise 7.3
-7.4 Practical Case
-8.1 What is Natural Language Processing
-8.2 Basics of NLP
-8.3 Recurrent Neural Network
-8.4 Practical Case