当前课程知识点:Introduction to Artificial Intelligence > Chapter 6 Convolutional Neural Network > 6.2 Convolution Layer > Video 6.2
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
这一节
我们介绍了
卷积神经网络的构建
在本节中
我们将讨论卷积层
卷积是从输入图像中
提取特征的第一层
通过使用输入数据的小方块学习图像特征
可以保留像素之间的关系
这是一项数学运算
需要两个输入
例如图像矩阵
和滤波器或内核
卷积具有
平移不变的优点
直观地说
这意味着每个卷积滤波器
代表一个感兴趣的特征
例如字母中的像素
而卷积神经网络算法
可学习哪些特征构成最终的参考
例如字母
计算机中的
数字图像
由像素矩阵表示
例如此数字灰度图像
我们希望通过像素矩阵
将其呈现在计算机中
这种图像的每个像素
由一个
矩阵元素
也就是一个整数表示
像素表示中的数值
从零个
黑色像素
统一更改为
255个
白色像素
在计算机中具有RGB颜色模型的
彩色图像
将显示三个灰度图像矩阵
每个矩阵
对应一个红色
绿色和蓝色颜色分量
在卷积神经网络中
内核是一个过滤器
用于从图像中提取特征
内核是一个矩阵
它在输入数据上移动
对输入数据的子区域
执行点积运算
并将输出
作为点积矩阵
内核以步幅
在输入数据上移动
如果步幅为2
则内核在输入矩阵中移动2列像素
简而言之内核用于从图像中提取高级功能
例如图像的边缘
现在让我们看一下
如何计算图像的卷积
考虑一个6x6的灰度图像
和3x3的
滤镜矩阵
像这样
值为0
然后计算第二个值
像这样
值为30
我们一一计算所有数字
卷积后
将6x6图像
转换为4x4图像
通过使用滤镜对图像进行卷积
可以执行诸如边缘检测
模糊和锐化
之类的操作
步幅是输入矩阵上的
像素移位数
当步幅为1时
我们一次将滤镜
移动到1个像素
当步幅为2时
我们一次
将滤镜
移动到2个像素
依此类推
下图显示了
卷积 以2的步幅运行
以2的步幅运行
有时
过滤器不能完全适合输入图像
我们可以用零填充图片
称为零填充
以使其适合
否则我们必须将图像中
滤镜不适合的部分删除
这称为有效填充
仅保留图像的有效部分
ReLU代表用于非线性操作的
整流线性单元
输出为ƒ(x) = max(0,x)
为什么ReLU很重要
ReLU的目的是在我们的
ConvNet中引入非线性
因为现实世界中的数据希望我们的ConvNet
学到的是非负线性值
还可以使用其他非线性函数
例如tanh或Sigmoid
代替ReLU
大多数数据科学家
都使用ReLU
因为在性能方面
ReLU比其他方法要好
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