卷积神经网络-深度学习

XiaotingCheng

2019-01-27

关注关注

卷积神经网络（CNN）是一类深度神经网络。这是受人类大脑视觉皮层的启发。每当我们看到某些东西时，一系列的神经元皮层就会被激活，每层都会检测到一些特征，如线条，边缘（如垂直边缘，水平边缘）。

卷积神经网络-深度学习

CNN广泛用于图像识别，图像分类，对象检测，人脸识别等。

过度简化图：

CNN的基本层： - C onvolution - Pooling - Flattening - Fully Connected Layer（Neural network）

卷积神经网络-深度学习

卷积神经网络

卷积神经网络-深度学习

示例

了解这一点的一些先决条件：

计算机将输入图像视为像素数组，这取决于图像的分辨率。根据图像分辨率，可以看到 h * w * d（h =高度，w =宽度，d =维度）。

彩色图像有 3个通道即 RGB，而黑/白图像只有一个通道。例如，24*24* 3阵列的 RGB矩阵图像（3指RGB值）和一幅图像为4 * 4 * 1阵列的灰度矩阵（b / w）图像。

卷积神经网络-深度学习

现在让我们了解过滤器（卷积/特征图）：

卷积神经网络-深度学习

要应用某些过滤器，我们需要将图像与过滤器矩阵相乘。以下是标准过滤器及其矩阵表示的一些示例。

过滤器的重要性：

在自动驾驶汽车的情况下，边缘检测过滤器非常重要。

现在我们已经准备好了解CNN层及其工作原理。

卷积层（Convolution Layer）

卷积是从输入图像中提取特征的第一层。这里我们将输入图像与不同的卷积（过滤器）相乘以获得具有提取特征的新图像。

例如：考虑一个6 * 6 * 3的图像，这里我们应用两个尺寸为3 * 3 * 3的不同过滤器，输出为4 * 4

卷积神经网络-深度学习

输出的公式：

输入（Input）： n * n * nc
过滤器（Filter）： f * f * nc
填充（Padding）： p （本文后面部分介绍）
步幅（Stride）： s

Stride是输入矩阵上的像素移位数。当步幅为1时，我们一次将过滤器移动到1个像素。当步幅为2时，我们一次将过滤器移动到2个像素，依此类推

输出： [(n+2p-f)/s+1] *[(n+2p-f)/s+1] *nc'

例如：n = 6，p = 0，f = 3，s = 1，

[(6+(0*2)–3)/1+1]*[(6+(0*2)–3)/1+1]*3 = 4*4*3

nc是输入和过滤器中的通道数，而nc'是过滤器的数量。

工作说明：

卷积神经网络-深度学习

池化层（Pooling Layer）

当图像太大时，池化层会减少参数的数量。它减少了每个映射的维度，但保留了重要信息。空间池化（Spatial pooling ）可以是不同类型的：

最大池化
均支池化
求和池化

最大池化从调整过的特征映射中获取最大元素。采用最大元素也可以采用均值池化。将特征映射调用中的所有元素的和称为求和池化。

卷积神经网络-深度学习

最大池化

填充（padding）：

填充在输入卷积的外部添加额外的0，以便卷积最终具有与输入相同数量的输出。如果我们不使用填充，则在每个卷积层之后，边界处的信息将丢失，这将减小卷积的大小以及性能。

类型：有效填充，相同填充。

在有效填充中，与输入相比，该特征的维度降低，而在相同填充中，维度增加或保持相同。

卷积神经网络-深度学习

零填充

展平（Flattening ）：

在应用了所有上述层后，我们得到矩阵形式的最终输出，但神经网络需要向量形式（1D）的输入数据，因此我们需要将我们的池化的特征映射展平成如下图所示的列。

卷积神经网络-深度学习

完全连接层（Fully connected Layer）（FC）：

在这里，我们将展平数据提供给FC的输入层（例如 x1，x2 ...）。我们在中间层应用ReLU等激活函数。

这里基本的神经网络工作发生像反向传播，优化。

卷积神经网络-深度学习

激活函数：

在中间层中，优选ReLu，而对于输出层，则使用Softmax或sigmoid。

以下是部分代码展示：

Importing the Libraries and Packages

from keras.models import Sequential
from keras.layers import Convolution2D
from keras.layers import MaxPooling2D
from keras.layers import Flatten
from keras.layers import Dense

卷积神经网络-深度学习

创建神经网络的第一步是使用keras中的顺序类初始化网络。

Initialising the CNN
model = Sequential()
Convolutional Layer
model.add(Convolution2D(filters = 32, kernel_size = (3, 3),
input_shape = (64, 64, 3),
activation = ‘relu’))

卷积神经网络-深度学习

池化层

model.add(MaxPooling2D(pool_size = (2, 2)))

卷积神经网络-深度学习

pool_size：池化窗口的形状。

展平层

model.add(Flatten())

完全连接的层

Adding the Hidden layer
model.add(Dense(units = 128, activation = ‘relu’))
Adding the Output Layer
model.add(Dense(units = 1, activation = ‘sigmoid’))

卷积神经网络-深度学习

编译CNN

model.compile(optimiser = ‘adam’,loss = ‘binary_crossentropy’,metrics = [‘accuracy’])

卷积神经网络-深度学习

重要提示：

如果训练的数据非常少，那么我们可以通过应用缩放，翻转原始图像和创建新图像等操作从现有数据创建新数据。

Generating Image Data
from keras.preprocessing.image import ImageDataGenerator
train_datagen = ImageDataGenerator(rescale = 1./255,
shear_range = 0.1,
zoom_range = 0.2,
horizontal_flip = True)
test_datagen = ImageDataGenerator(rescale = 1./255)

卷积神经网络-深度学习