人工智能視覺課程-基于卷積神經(jīng)網(wǎng)絡(luò)的圖像分類人工智能學(xué)院01項(xiàng)目導(dǎo)入02項(xiàng)目任務(wù)03項(xiàng)目目標(biāo)04知識鏈接05項(xiàng)目準(zhǔn)備06任務(wù)實(shí)施07任務(wù)拓展08項(xiàng)目小結(jié)項(xiàng)目導(dǎo)入2024/1/153卷積神經(jīng)網(wǎng)絡(luò)在圖像分類等任務(wù)上表現(xiàn)突出

項(xiàng)目導(dǎo)入2024/1/154VGG-16ResNet152GoogleNet01項(xiàng)目導(dǎo)入02項(xiàng)目任務(wù)03項(xiàng)目目標(biāo)04知識鏈接05項(xiàng)目準(zhǔn)備06任務(wù)實(shí)施07任務(wù)拓展08項(xiàng)目小結(jié)本章的任務(wù)是使得電腦具有將自然圖像根據(jù)所包含物體進(jìn)行分類的能力項(xiàng)目任務(wù)2024/1/15601項(xiàng)目導(dǎo)入02項(xiàng)目任務(wù)03項(xiàng)目目標(biāo)04知識鏈接05項(xiàng)目準(zhǔn)備06任務(wù)實(shí)施07任務(wù)拓展08項(xiàng)目小結(jié)知識目標(biāo)理解卷積網(wǎng)絡(luò)結(jié)構(gòu)中的基本概念了解CIFAR-10數(shù)據(jù)集了解卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練步驟技能目標(biāo)掌握CIFAR-10圖片分類數(shù)據(jù)集在keras中的使用方法掌握使用keras搭建和訓(xùn)練一個卷積神經(jīng)網(wǎng)絡(luò)的方法項(xiàng)目目標(biāo)2024/1/158職業(yè)素養(yǎng)目標(biāo)培養(yǎng)學(xué)生嚴(yán)謹(jǐn)、細(xì)致、規(guī)范的職業(yè)素質(zhì)培養(yǎng)學(xué)生團(tuán)隊(duì)協(xié)作、表達(dá)溝通能力培養(yǎng)學(xué)生跟蹤新技術(shù)、創(chuàng)新設(shè)計(jì)能力培養(yǎng)學(xué)生的技術(shù)標(biāo)準(zhǔn)意識、操作規(guī)范意識、服務(wù)質(zhì)量意識等項(xiàng)目目標(biāo)2024/1/15901項(xiàng)目導(dǎo)入02項(xiàng)目任務(wù)03項(xiàng)目目標(biāo)04知識鏈接05項(xiàng)目準(zhǔn)備06任務(wù)實(shí)施07任務(wù)拓展08項(xiàng)目小結(jié)神經(jīng)網(wǎng)絡(luò)類別–卷積神經(jīng)網(wǎng)絡(luò)2024/1/1511包含卷積層的神經(jīng)網(wǎng)絡(luò)神經(jīng)網(wǎng)絡(luò)類別–卷積神經(jīng)網(wǎng)絡(luò)2024/1/1512卷積層每一層的每張?zhí)卣鲌D都通過上一層的特征圖進(jìn)行卷積操作得到圖像卷積*=神經(jīng)網(wǎng)絡(luò)類別–卷積神經(jīng)網(wǎng)絡(luò)2024/1/1513卷積層每一層的每張?zhí)卣鲌D都通過上一層的特征圖進(jìn)行卷積操作得到三維卷積第一個三維卷積核神經(jīng)網(wǎng)絡(luò)類別–卷積神經(jīng)網(wǎng)絡(luò)2024/1/1514卷積層每一層的每張?zhí)卣鲌D都通過上一層的特征圖進(jìn)行卷積操作得到三維卷積第二個三維卷積核神經(jīng)網(wǎng)絡(luò)類別–卷積神經(jīng)網(wǎng)絡(luò)2024/1/1515卷積層每一層的每張?zhí)卣鲌D都通過上一層的特征圖進(jìn)行卷積操作得到三維卷積一共6個三維卷積核產(chǎn)生6個特征圖（feature

map），也稱為activation

map在圖像邊緣補(bǔ)全像素常用于保證輸出的特征圖和輸入有同樣的分辨率或和步長共同控制輸出特征圖的大小知識鏈接-padding2024/1/1516Padding前5x53x33x3在圖像邊緣補(bǔ)全像素常用于保證輸出的特征圖和輸入有同樣的分辨率或和步長共同控制輸出特征圖的大小知識鏈接-padding2024/1/1517Padding后5x5->7x73x35x5Stride步長壓縮特征圖的長和寬，以減少網(wǎng)絡(luò)中參數(shù)的數(shù)量和計(jì)算量卷積核每次滑動的距離

知識鏈接-步長2024/1/1518知識鏈接-步長2024/1/1519Stride步長壓縮特征圖的長和寬，以減少網(wǎng)絡(luò)中參數(shù)的數(shù)量和計(jì)算量卷積核每次滑動的距離

（n-k+2p）/s+1n：輸入圖的邊長k：卷積核的邊長p：padding的寬度（只考慮一個方向）s：步長

知識鏈接-輸出特征圖的大小2024/1/1520當(dāng)前卷積層輸入特征維度為224*224*3卷積核個數(shù)為18padding=1步長=1求輸出特征維度知識問答2024/1/1521keras.layers.Conv2D()知識鏈接-keras中創(chuàng)建卷積層2024/1/1522重點(diǎn)參數(shù)說明filters卷積核的個數(shù)，也等于輸出特征圖的數(shù)量kernel_size卷積核的邊長stride步長paddingPadding的類型，可選”valid”（不做padding）或”same”（輸出和輸入分辨率保持一致）activation激活函數(shù)類型MaxPooling2D類用于實(shí)現(xiàn)最大池化知識鏈接-MaxPooling2D類2024/1/152310個類別，飛機(jī)、汽車、鳥類、貓、鹿、狗、青蛙、馬、輪船、卡車每類6,000張32*32*3，彩色圖像訓(xùn)練集50,000張，測試集10,000張知識鏈接-CIFAR-10數(shù)據(jù)集2024/1/152401項(xiàng)目導(dǎo)入02項(xiàng)目任務(wù)03項(xiàng)目目標(biāo)04知識鏈接05項(xiàng)目準(zhǔn)備06任務(wù)實(shí)施07任務(wù)拓展08項(xiàng)目小結(jié)硬件條件一臺計(jì)算機(jī)軟件條件Windows10，64位PyCharmWindows社區(qū)版，Version:2021.1.2AnacondaWindowsPython3.8，64位TensorFlow(CPU版)1.14.0Keras2.2.5OpenCV-Python4.5.3.56、Numpy1.19.5、pydot-1.4.2等項(xiàng)目準(zhǔn)備2024/1/152601項(xiàng)目導(dǎo)入02項(xiàng)目任務(wù)03項(xiàng)目目標(biāo)04知識鏈接05項(xiàng)目準(zhǔn)備06任務(wù)實(shí)施07任務(wù)拓展08項(xiàng)目小結(jié)任務(wù)實(shí)施-項(xiàng)目任務(wù)概述2024/1/1528任務(wù)實(shí)施-引入必要的庫2024/1/1529任務(wù)實(shí)施-選擇模型和構(gòu)建網(wǎng)絡(luò)2024/1/1530conv1conv2pool1conv3conv4pool2flattenfc1fc2網(wǎng)絡(luò)示意圖任務(wù)實(shí)施-數(shù)據(jù)準(zhǔn)備2024/1/15314[0,0,0,0,1,0,0,0,0,0]10任務(wù)實(shí)施-網(wǎng)絡(luò)訓(xùn)練2024/1/1532訓(xùn)練集中的圖片都參與訓(xùn)練任務(wù)實(shí)施-模型測試和保存2024/1/1533作業(yè)2024/1/1534用代碼實(shí)現(xiàn)如下功能隨機(jī)選取CIFAR-10測試集中的一張圖片讀取訓(xùn)練好的模型輸出該圖片的類別預(yù)測結(jié)果（以中文單詞輸出，如：輪船）01項(xiàng)目導(dǎo)入02項(xiàng)目任務(wù)03項(xiàng)目目標(biāo)04知識鏈接05項(xiàng)目準(zhǔn)備06任務(wù)實(shí)施07任務(wù)拓展08項(xiàng)目小結(jié)讀取保存后的模型，從CIFAR-10中的隨機(jī)選取一張樣本圖片，用訓(xùn)練好的模型進(jìn)行類別預(yù)測本項(xiàng)目中的所有卷積層的卷積核大小都是3*3，可嘗試修改卷積層的參數(shù)，如kernel_size，stride等，查看不同配置對訓(xùn)練結(jié)果的影響。任務(wù)拓展2024/1/153601項(xiàng)目導(dǎo)入02項(xiàng)目任務(wù)03