項目3深度學習應(yīng)用了解感知機的工作原理01理解激活函數(shù)的作用02了解神經(jīng)網(wǎng)絡(luò)的定義和基本組成03知識目標熟悉神經(jīng)網(wǎng)絡(luò)的相關(guān)術(shù)語04了解隨機梯度下降算法05理解權(quán)重更新過程06了解卷積神經(jīng)網(wǎng)絡(luò)在圖像中的應(yīng)用以及結(jié)構(gòu)07熟悉降低過擬合的方法08能力目標能夠使用多層感知機實現(xiàn)普通數(shù)字數(shù)據(jù)集的分類回歸問題01能夠人工計算簡單神經(jīng)網(wǎng)絡(luò)權(quán)重更新過程02能夠手動提取圖像特征03能夠使用人工智能平臺搭建全連接神經(jīng)網(wǎng)絡(luò)識別圖像04能夠完成語音文件的識別05能夠分析模型的性能瓶頸，并提出優(yōu)化建議01夠嘗試新的想法和方法，推動模型的創(chuàng)新02能夠在模型開發(fā)中考慮隱私保護和數(shù)據(jù)安全03素質(zhì)目標任務(wù)提出01任務(wù)分析02知識準備03任務(wù)1實現(xiàn)異或電路任務(wù)實現(xiàn)04任務(wù)總結(jié)05任務(wù)1打印樹形圖案任務(wù)提出Part.01深度學習不僅能夠模擬人類的感知能力，還能在一定程度上模擬人類的思維過程，解決許多傳統(tǒng)方法難以攻克的難題。異或（XOR）電路是數(shù)字邏輯電路中的一個經(jīng)典難題，傳統(tǒng)方法通過復(fù)雜的邏輯門組合實現(xiàn)其功能。然而，在深度學習的世界里，也可以使用簡單的感知機實現(xiàn)異或電路。提出任務(wù)任務(wù)分析Part.021.使用單層感知機實現(xiàn)與門；2.使用單層感知機實現(xiàn)與非門；3.使用單層感知機實現(xiàn)或門；4.基于與門、與非門、或門實現(xiàn)異或門。本任務(wù)主要是想實現(xiàn)異或電路，數(shù)據(jù)較簡單可以考慮使用感知機實現(xiàn)。實現(xiàn)具體步驟如下：任務(wù)分析知識準備Part.03感知機概述01知識準備感知機的工作原理01與門02與非門033.1感知機概述或門04感知機工作原理人工智能（AI）機器學習（ML）深度學習（DL）人工智能（ArtificialIntelligence,AI）、機器學習（MachineLearning,ML）和深度學習（DeepLearning,DL）是三個相互關(guān)聯(lián)的概念，它們代表了計算機科學中不同的技術(shù)和領(lǐng)域。深度學習機器學習人工智能感知機工作原理感知機起源深度學習？重要思想感知機工作原理

y

y=0

1

接收多個輸入信號，輸出一個信號與門與門y=0

1

與非門與非門那么與非門的參數(shù)又可以是什么樣的組合呢？與非門與非門

只要把實現(xiàn)與門的參數(shù)值的符號取反，就可以實現(xiàn)與非門。或門或門那么我們來思考一下，應(yīng)該為這個或門設(shè)定什么樣的參數(shù)呢？或門或門相同構(gòu)造的感知機，只需通過適當?shù)卣{(diào)整參數(shù)的值，就可以像“變色龍演員”表演不同的角色一樣，變身為與門、與非門、或門。任務(wù)實現(xiàn)Part.04感知機的局限性02任務(wù)實現(xiàn)異或門01感知機實現(xiàn)異或門03異或門異或門那么我們來思考一下，應(yīng)該為這個或門設(shè)定什么樣的參數(shù)呢？異或門異或門y=0

1

y=0

1

為什么用感知機可以實現(xiàn)與門、或門，卻無法實現(xiàn)異或門呢？權(quán)重參數(shù)(b,w1,w2)=(?0.5,1.0,1.0)感知機的局限性110

y=0

1

感知機的可視化：灰色區(qū)域是感知機輸出0的區(qū)域，這個區(qū)域與或門的性質(zhì)一致

000、011、101、111感知機實現(xiàn)異或門與門、與非門、或門的符號將與門、與非門、或門代入到“？”中，就可以實現(xiàn)異或門！感知機的局限性異或門的真值表異或門的圖任務(wù)總結(jié)Part.05從上面完成過程可以知道，感知機作為一個基礎(chǔ)的線性分類器，可以解決線性問題，但是對于XOR這樣的非線性問題就無能為力了。解決的方法是只要在單層感知機的基礎(chǔ)上加一個中間層就可以完成異或門。如果想通過感知機完成其他任務(wù)，可以基于單層感知機，不斷疊加就可以完成任務(wù)。任務(wù)提出01任務(wù)分析02知識準備03任務(wù)2學生心理健康分析任務(wù)實現(xiàn)04任務(wù)總結(jié)05任務(wù)提出Part.01大學生的心理健康問題是當今社會關(guān)注的焦點之一。隨著社會的快速發(fā)展和競爭的日益激烈，大學生面臨著前所未有的壓力和挑戰(zhàn)，這些壓力和挑戰(zhàn)對他們的心理健康產(chǎn)生了深遠的影響。為了更有效地識別同學們可能存在的心理健康問題，運用深度學習技術(shù)進行分析。通過這一科學手段，及時發(fā)現(xiàn)需要幫助的同學，并據(jù)此提供針對性的關(guān)懷與支持，確保每位同學都能在大學期間健康快樂地成長。提出任務(wù)屬性名稱屬性說明Timestamp時間戳Chooseyourgender選擇您的性別Age年齡Whatisyourcourse?您的課程是什么？YourcurrentyearofStudy您當前的學習年份WhatisyourCGPA?您的CGPA是多少？Maritalstatus婚姻狀況DoyouhaveDepression?您有抑郁癥嗎？DoyouhaveAnxiety?您有焦慮癥嗎？DoyouhavePanicattack?您有驚恐發(fā)作嗎？Didyouseekanyspecialistforatreatment?您是否尋求過任何專家進行治療？任務(wù)分析Part.02清洗和整理收集到的數(shù)據(jù)，確保數(shù)據(jù)質(zhì)量。從數(shù)據(jù)中提取與心理健康相關(guān)的特征，如情緒狀態(tài)、社交行為等。利用深度學習技術(shù)，訓練一個能夠識別學生心理健康狀況的模型。通過模型分析，識別出可能存在心理健康問題的學生。本任務(wù)主要是通過深度學習技術(shù)，對班級學生的心理健康狀況進行分析。具體的任務(wù)實施分析如下。任務(wù)分析知識準備Part.03神經(jīng)網(wǎng)絡(luò)01搭建神經(jīng)網(wǎng)絡(luò)02知識準備訓練神經(jīng)網(wǎng)絡(luò)03生物神經(jīng)網(wǎng)絡(luò)01人工神經(jīng)網(wǎng)絡(luò)023.2神經(jīng)網(wǎng)絡(luò)深度神經(jīng)網(wǎng)絡(luò)03生物神經(jīng)網(wǎng)絡(luò)是自然界中最復(fù)雜的系統(tǒng)之一，它構(gòu)成了人類和其他生物智能的基礎(chǔ)。人類大腦中約有860億個神經(jīng)元，這些神經(jīng)元相互通信，形成了一個高效的信息處理網(wǎng)絡(luò)。正是這種復(fù)雜的網(wǎng)絡(luò)結(jié)構(gòu)，使得生物體能夠感知環(huán)境、學習知識、做出決策并適應(yīng)變化。神經(jīng)元是生物神經(jīng)網(wǎng)絡(luò)的基本單元，如圖所示，它由三個主要部分組成：細胞體（Soma）：負責處理輸入信號并生成輸出信號。樹突（Dendrites）：接收來自其他神經(jīng)元的輸入信號。軸突（Axon）：將輸出信號傳遞給其他神經(jīng)元。生物神經(jīng)網(wǎng)絡(luò)人工神經(jīng)網(wǎng)絡(luò)（ArtificialNeuralNetwork，ANN）是受生物神經(jīng)網(wǎng)絡(luò)啟發(fā)而設(shè)計的一種計算模型，旨在模擬生物神經(jīng)元的信息處理機制。它通過模擬神經(jīng)元之間的連接和信號傳遞，實現(xiàn)了對復(fù)雜數(shù)據(jù)的處理和學習能力。自20世紀40年代提出以來，人工神經(jīng)網(wǎng)絡(luò)經(jīng)歷了多次發(fā)展浪潮，逐漸成為現(xiàn)代人工智能和機器學習的核心技術(shù)之一。人工神經(jīng)網(wǎng)絡(luò)由多層神經(jīng)元組成，通常包括輸入層、隱藏層和輸出層。人工神經(jīng)網(wǎng)絡(luò)深度神經(jīng)網(wǎng)絡(luò)（DeepNeuralNetwork，DNN）是人工神經(jīng)網(wǎng)絡(luò)的一種擴展形式，其核心特點在于引入了多層隱藏層，從而能夠?qū)W習數(shù)據(jù)中更加復(fù)雜和抽象的特征。深度神經(jīng)網(wǎng)絡(luò)的興起標志著人工智能領(lǐng)域的一次重大突破，尤其是在計算機視覺、自然語言處理和語音識別等領(lǐng)域取得了革命性進展。

深度神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)與傳統(tǒng)的淺層神經(jīng)網(wǎng)絡(luò)類似，但隱藏層的數(shù)量顯著增加。通常，深度神經(jīng)網(wǎng)絡(luò)包含三層或更多隱藏層，每一層由大量神經(jīng)元組成。這種多層結(jié)構(gòu)使得網(wǎng)絡(luò)能夠逐層提取數(shù)據(jù)的特征。以下是一些典型的深度神經(jīng)網(wǎng)絡(luò)架構(gòu)。卷積神經(jīng)網(wǎng)絡(luò)（ConvolutionalNeuralNetwork，CNN）循環(huán)神經(jīng)網(wǎng)絡(luò)（RecurrentNeuralNetwork，RNN）Transformer：基于自注意力機制（Self-Attention）的架構(gòu)人工神經(jīng)網(wǎng)絡(luò)神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)01激活函數(shù)023.3搭建神經(jīng)網(wǎng)絡(luò)在設(shè)計神經(jīng)網(wǎng)絡(luò)架構(gòu)時，輸入層和輸出層的節(jié)點數(shù)目通常是預(yù)設(shè)且固定的，而位于它們之間的中間層（或稱為隱藏層）的節(jié)點數(shù)目則可以靈活設(shè)定，根據(jù)數(shù)據(jù)的復(fù)雜度設(shè)置隱藏層和隱藏層神經(jīng)元的個數(shù)。神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)現(xiàn)在將感知機的式子改寫成更加簡潔的形式。為了簡化感知機的式子，用一個函數(shù)來表示這種分情況的動作（超過0則輸出1，否則輸出0）。引入新函數(shù)激活函數(shù)

激活函數(shù)首先，第一個式子計算加權(quán)輸入信號和偏置的總和，記為a。然后，第二個式子，用h()函數(shù)將a轉(zhuǎn)換為輸出值。激活函數(shù)表示神經(jīng)元的○中明確顯示了激活函數(shù)的計算過程，即信號的加權(quán)總和為節(jié)點a，然后節(jié)點a被激活函數(shù)h()轉(zhuǎn)換成輸出節(jié)點。激活函數(shù)常用的激活函數(shù)（1）sigmoid函數(shù)它將一個實數(shù)值壓縮到0至1的范圍內(nèi)。當最終目標是預(yù)測概率時，它可以被應(yīng)用到輸出層。它使很大的負數(shù)向0轉(zhuǎn)變，很大的正數(shù)向1轉(zhuǎn)變。容易出現(xiàn)梯度消失的問題，輸出不以0為中心，降低了權(quán)重更新的效率，而且計算速度比較慢。式子中的exp(?x)表示e?x的意思，sigmoid函數(shù)一般只用于二分類的輸出層。激活函數(shù)常用的激活函數(shù)（2）

relu函數(shù)是目前較為流行的激活函數(shù)之一，其圖像為一條斜率為1的直線和x軸的組合。relu函數(shù)具有計算速度快的優(yōu)點。函數(shù)當輸入z<0時，輸出為0。當輸入z>0時，輸出就是輸入z的值。這個激活函數(shù)能夠使網(wǎng)絡(luò)更快地收斂。激活函數(shù)常用的激活函數(shù)（3）tanh函數(shù)也是一個S形曲線，與sigmoid函數(shù)相似，但它的輸出范圍是[-1,1]，且整個函數(shù)以0為中心。相比于sigmoid函數(shù)，tanh函數(shù)的優(yōu)點在于它的輸出間隔為1，更有利于權(quán)重的更新。應(yīng)用場景：在一般的二元分類問題中，通常將tanh函數(shù)用于隱藏層。激活函數(shù)常用的激活函數(shù)

應(yīng)用場景：通常用于神經(jīng)網(wǎng)絡(luò)的輸出層，將輸出層的值通過激活函數(shù)映射到0-1區(qū)間，從而構(gòu)造概率分布。準備數(shù)據(jù)01正向反向傳播023.4訓練神經(jīng)網(wǎng)絡(luò)梯度下降03學習速率04權(quán)重更新05預(yù)測新數(shù)據(jù)06訓練神經(jīng)網(wǎng)絡(luò)模型首先需要準備數(shù)據(jù)，數(shù)據(jù)必須是數(shù)值型的。如果數(shù)據(jù)中存在類別數(shù)據(jù)，例如男性和女性的性別屬性，可以將其轉(zhuǎn)換為one-hot編碼的數(shù)值來表示分類。例如，將男性設(shè)置為1，女性設(shè)置為0。準備數(shù)據(jù)正向反向傳播

前向傳播：就是從輸入，不斷計算每一層的Z和A（Z是x和w、b線性運算的結(jié)果，Z=wx+b；A是Z的激活值），最后得到輸出y^的過程，計算出了y^（loss），如圖3.19所示。

反向傳播：就可以根據(jù)它和真實值y的差別來計算損失，根據(jù)損失函數(shù)L(y^,y)來反方向地計算每一層的Z、A、w、b的偏導數(shù)（梯度），從而更新參數(shù)。

每經(jīng)過一次前向傳播和反向傳播之后，參數(shù)就更新一次，然后用新的參數(shù)再次循環(huán)上面的過程。這就是神經(jīng)網(wǎng)絡(luò)訓練的整個過程。梯度下降梯度下降法在機器學習中常常用來優(yōu)化損失函數(shù)，是一個非常重要的工具。梯度下降法的作用就是尋找一個

「極小值點」

（從而讓函數(shù)的值盡可能地?。?。一元二次函數(shù)天生地就只有一個極小值點，方便用來說明問題。函數(shù)的表達式是

??(??)=(???1)2+1,通過表達式可以知道它的最小值點的坐標是

(1,1)。梯度下降函數(shù)

??(??)

的梯度就是它的導數(shù)??(??)′=2???2-6-402-264801020304050-6-402-264801020304050梯度下降-6-402-264801020304050-6-402-264801020304050學習速率「梯度下降法」

的目標是搜索出來一個能夠讓函數(shù)的值盡可能小的位置，所以應(yīng)該讓

??

朝著黑色箭頭的方向走，那么怎么完成這個操作呢？接下來的過程我使用偽代碼來表示。在代碼中有一個

et??

變量，它的專業(yè)名詞叫

「學習率」。使用數(shù)學表達式來表示更新

??

的過程那就是：??←???et???????(??)????「初始化：」#變量x表示當前所在的位置#就隨機初始在6這個位置好了x=6eta=0.05#因為x的位置發(fā)生了變化#要重新計算當前位置的導數(shù)df=2*x-2x=x-eta*df#更新后x由5.5變成#5.5-0.05*9=5.05#變量df存儲當前位置的導數(shù)值df=2*x-2x=x-eta*df#更新后x由6變成#6-0.05*10=5.5權(quán)重更新i110.1w10.20w2i2o12真實值：15首次預(yù)測值：0.5反向傳播求導預(yù)測新數(shù)據(jù)當神經(jīng)網(wǎng)絡(luò)完成訓練后，即可用于實際預(yù)測任務(wù)。通常使用測試集數(shù)據(jù)對模型進行預(yù)測評估，以衡量其泛化能力（即對未知數(shù)據(jù)的處理性能）。訓練完成的模型可部署至生產(chǎn)環(huán)境，通過以下流程對新數(shù)據(jù)進行預(yù)測：模型持久化：保存網(wǎng)絡(luò)拓撲結(jié)構(gòu)（如層配置、激活函數(shù)）和最終權(quán)重參數(shù)，這是模型復(fù)用的必要條件。前向傳播計算：將輸入數(shù)據(jù)送入網(wǎng)絡(luò)，按層執(zhí)行加權(quán)求和與非線性變換（即前向傳播），最終輸出預(yù)測結(jié)果。任務(wù)實現(xiàn)Part.04導入數(shù)據(jù)02任務(wù)實現(xiàn)查看數(shù)據(jù)03設(shè)置模型和參數(shù)04評估模型05優(yōu)化模型06模型預(yù)測07保存模型08新建工作流程01打開橙現(xiàn)智能軟件，單擊“文件”菜單中的“另存為”選項，將工作流命名為“學生心理健康模型預(yù)測開發(fā).ows”。新建工作流程在“數(shù)據(jù)”選項中，找到“文件”組件并單擊，或者在工作流空白位置單擊右鍵，輸入“file”找到“文件”組件并單擊；雙擊“文件”組件，在文件夾位置找到“StudentMentalhealth.csv”數(shù)據(jù)集導入；在“列”位置，將“guess”列的角色設(shè)置為“目標”，其余列不變，。導入數(shù)據(jù)在“數(shù)據(jù)”選項中，找到“數(shù)據(jù)表”并單擊，將“文件”組件與“數(shù)據(jù)表”組件連線，如圖3.23所示；查看數(shù)據(jù)集的特征值、目標值和數(shù)據(jù)集的分布情況，如圖所示。由于數(shù)據(jù)集的目標值有2種類型，明確任務(wù)的類型為“分類”任務(wù)。查看數(shù)據(jù)在“模型”選項中，找到“神經(jīng)網(wǎng)絡(luò)”組件并單擊，將“文件”組件與神經(jīng)網(wǎng)絡(luò)模型組件連線，設(shè)置神經(jīng)網(wǎng)絡(luò)的參數(shù)（先按照默認參數(shù)設(shè)置）。設(shè)置模型和參數(shù)在“評估”選項中，找到“測試和評分”組件并單擊，將神經(jīng)網(wǎng)絡(luò)組件連線“測試和評分”，將“文件”組件連線“測試和評分”，通過“測試和評分”組件查看評估指標和模型比較。評估模型通過調(diào)整“神經(jīng)網(wǎng)絡(luò)”的中間層層數(shù)和每層的神經(jīng)元個數(shù)以及激活函數(shù)，對比每次調(diào)整完的“測試和評分”組件模型評估指標的變化，找到最優(yōu)的模型參數(shù)，這是一個重復(fù)操作的過程，直到符合模型評估指標的要求。優(yōu)化模型在“數(shù)據(jù)”選項中，找到“文件”組件，在“評估”選項中，找到“預(yù)測”組件并單擊，在本文件中選取測試數(shù)據(jù)集“StudentMentalhealthtest.csv”，將文件和預(yù)測組間連接，對數(shù)據(jù)集中的數(shù)據(jù)進行預(yù)測。模型預(yù)測預(yù)測數(shù)據(jù)集中有5條數(shù)據(jù)，在圖右中，第一列“NeuralNetwork”代表5條數(shù)據(jù)通過模型預(yù)測得到的結(jié)果，第二列“guess”代表數(shù)據(jù)集中實際的輸出值，對比兩列的數(shù)據(jù)，可以看出預(yù)測完全正確。模型預(yù)測在“模型”選項中，找到“保存模型”組件并單擊，將“神經(jīng)網(wǎng)絡(luò)”模型連線“保存模型”，雙擊“保存模型”點擊保存，如圖所示。保存模型任務(wù)總結(jié)Part.05通過本任務(wù)的學習，了解了感知機的工作原理以及感知機的局限性、激活函數(shù)的作用、神經(jīng)網(wǎng)絡(luò)的定義、神經(jīng)網(wǎng)絡(luò)的相關(guān)術(shù)語；掌握了神經(jīng)網(wǎng)絡(luò)的訓練過程。在學習時還應(yīng)注意以下幾點：1.引入非線性因素，使得神經(jīng)網(wǎng)絡(luò)能夠解決非線性問題。常用的激活函數(shù)包括ReLU、Sigmoid、tanh等。使用激活函數(shù)時，中間層建議使用relu，LeakyReLU等函數(shù)；二分類問題的輸出層建議使用sigmoid，多分類問題的輸出層建議使用softmax。2.搭建神經(jīng)網(wǎng)絡(luò)時，并不是層數(shù)越多，每層的神經(jīng)元個數(shù)越多越好，要根據(jù)數(shù)據(jù)集選擇模型的層數(shù)和每層中神經(jīng)元的個數(shù)。合理設(shè)置隱藏層的數(shù)量和每層神經(jīng)元的數(shù)量，避免過擬合或欠擬合。4.根據(jù)問題的類型（如分類、回歸等）和數(shù)據(jù)集的特點（如樣本量、特征數(shù)量等）選擇合適的模型。5.訓練集、驗證集與測試集：合理劃分訓練集、驗證集和測試集，用于模型的訓練、調(diào)參和性能評估。任務(wù)提出01任務(wù)分析02知識準備03任務(wù)3黑白圖像識別任務(wù)實現(xiàn)04任務(wù)總結(jié)05任務(wù)提出Part.01通過構(gòu)建一個多層全連接神經(jīng)網(wǎng)絡(luò)，可以實現(xiàn)黑白圖像的識別，本任務(wù)要求對手寫數(shù)字集進行訓練并實現(xiàn)手寫數(shù)字的分類。手寫數(shù)字集MNIST是一個包含了成千上萬手寫數(shù)字的大型數(shù)據(jù)庫，它由60,000張訓練圖像和10,000張測試圖像組成，每張圖像是28×28像素的灰度圖像，用來代表數(shù)字0~9。數(shù)據(jù)集mnist_train.csv文件，里面包括784個特征，每一個特征代表一個像素點的值，輸出為0~9中的任意一個數(shù)，故為10分類問題。提出任務(wù)任務(wù)分析Part.02清洗和整理收集到的數(shù)據(jù)，確保數(shù)據(jù)質(zhì)量。從數(shù)據(jù)中提取與心理健康相關(guān)的特征，如情緒狀態(tài)、社交行為等。利用深度學習技術(shù)，訓練一個能夠識別學生心理健康狀況的模型。通過模型分析，識別出可能存在心理健康問題的學生。本任務(wù)主要是通過深度學習技術(shù)，對班級學生的心理健康狀況進行分析。具體的任務(wù)實施分析如下。任務(wù)分析知識準備Part.03計算機視覺01圖像概述02知識準備圖像的基本處理技術(shù)03計算機視覺的核心任務(wù)02計算機視覺的關(guān)鍵技術(shù)033.5計算機視覺計算機視覺概述01計算機視覺概念計算機視覺是人工智能領(lǐng)域的一個重要分支，旨在通過算法和技術(shù)使計算機能夠“看懂”圖像或視頻中的內(nèi)容，并從中提取有用的信息。計算機視覺的目標是模擬人類視覺系統(tǒng)的功能，使機器能夠感知、理解和分析視覺數(shù)據(jù)，從而完成各種任務(wù)，如圖像分類、目標檢測、人臉識別等。計算機視覺涵蓋了許多具體的任務(wù)，以下是其中一些核心任務(wù)。1.圖像分類圖像分類是計算機視覺中最基礎(chǔ)的任務(wù)之一，其目標是將輸入的圖像分配到一個預(yù)定義的類別中。2.目標檢測目標檢測不僅需要識別圖像中的物體類別，還需要確定物體的位置（通常用邊界框表示）。3.圖像分割圖像分割是將圖像劃分為多個區(qū)域或?qū)ο蟮倪^程。它分為兩種類型：語義分割：為每個像素分配一個類別標簽，但不區(qū)分同一類別的不同實例。實例分割：不僅為每個像素分配類別標簽，還區(qū)分同一類別的不同實例。4.人臉識別人臉識別是計算機視覺的一個重要應(yīng)用，旨在識別或驗證圖像或視頻中的人臉。5.姿態(tài)估計姿態(tài)估計是檢測圖像或視頻中人體關(guān)鍵點（如關(guān)節(jié)）的位置，并推斷人體的姿態(tài)。6.圖像生成圖像生成是指通過算法生成新的圖像。生成對抗網(wǎng)絡(luò)（GAN）是這一領(lǐng)域的代表性技術(shù)，能夠生成逼真的圖像、視頻甚至藝術(shù)作品。計算機視覺的核心任務(wù)1.卷積神經(jīng)網(wǎng)絡(luò)（CNN）CNN是計算機視覺的核心技術(shù)之一，它通過卷積層提取圖像的局部特征，并通過池化層降低數(shù)據(jù)維度。CNN的層次結(jié)構(gòu)使其能夠自動學習圖像的低級特征（如邊緣）和高級特征（如形狀和物體）。2.遷移學習遷移學習是利用預(yù)訓練模型（如在ImageNet上訓練的模型）來解決新任務(wù)的技術(shù)。通過微調(diào)預(yù)訓練模型，可以在小數(shù)據(jù)集上實現(xiàn)高性能，大大減少了訓練時間和計算資源。3.數(shù)據(jù)增強數(shù)據(jù)增強是通過對原始圖像進行變換（如旋轉(zhuǎn)、縮放、翻轉(zhuǎn)）來生成更多訓練數(shù)據(jù)的技術(shù)。它能夠提高模型的泛化能力，防止過擬合。4.目標檢測與分割框架現(xiàn)代計算機視覺任務(wù)通常依賴于高效的框架，如YOLO實時目標檢測算法，速度快且精度高；MaskR-CNN結(jié)合目標檢測和實例分割的框架。OpenCV開源的計算機視覺庫，提供了豐富的圖像處理工具。計算機視覺的關(guān)鍵技術(shù)RGB顏色模型01HSV顏色模型023.6圖像概述灰度顏色模型03二值顏色模型04圖片噪聲05圖像色彩模型圖像作為視覺信息傳遞的核心媒介，根據(jù)其存儲和呈現(xiàn)的技術(shù)形態(tài)差異，可分為傳統(tǒng)模擬圖像與現(xiàn)代數(shù)字圖像兩大體系。在計算機視覺研究領(lǐng)域，數(shù)字圖像是首要研究對象，這類圖像由密集排列的像素矩陣構(gòu)成。RGB顏色模型RGB色彩體系，即紅綠藍三基色光學合成模型，其本質(zhì)是通過數(shù)學化調(diào)配三種基色的光強組合來再現(xiàn)自然界的豐富色相。該模型基于人眼視錐細胞對這三種波長光線的感知特性，通過精密調(diào)節(jié)各通道的強度參數(shù)，可在三維色彩空間內(nèi)實現(xiàn)全色譜覆蓋。HSV顏色模型HSV即使用色相（Hue）、飽和度（Saturation）、亮度（Value）來表示色彩的一種方式，是一種在人們生活中常用的顏色系統(tǒng)，以下是對數(shù)字圖像處理中HSV的詳細介紹。色相（H）：色相是決定顏色類型的屬性，如紅色或藍色。飽和度（S）：飽和度描述了顏色的強度或純度，也可以理解為色彩的深淺度。高飽和度的顏色看起來更“純”，低飽和度的則顯得更“灰”。在HSV模型中，飽和度的取值范圍是0到1。亮度（V）：明度代表顏色的明暗程度。在HSV模型中，明度的取值范圍也是0到1。色調(diào)度顏色0紅色60黃色120綠色180青色240藍色300品紅色灰度顏色模型?灰度圖是一種僅包含黑白兩色及其中間過渡色的圖像模式，其像素值通過不同飽和度的黑色（即灰階）表示，通常分為256個等級（0代表純黑，255代表純白）。?二值顏色模型二值圖像：是指將圖像上的每一個像素只有兩種可能的取值或灰度等級狀態(tài)，人們經(jīng)常用黑白、B&W、單色圖像表示二值圖像。圖片噪聲在計算機視覺領(lǐng)域，圖像被視作包含有效信號與干擾噪聲的復(fù)合數(shù)據(jù)載體。其中信號承載著目標特征等關(guān)鍵信息，而噪聲則作為無效干擾成分存在，如圖3.39所示。噪聲污染會導致圖像質(zhì)量退化，具體表現(xiàn)為：椒鹽噪聲：以離散脈沖形式隨機分布在圖像矩陣中，表現(xiàn)為黑白像素點的突變，其中黑噪點被稱為“椒”，白噪點被稱為“鹽”。高斯噪聲：作為連續(xù)型隨機噪聲，其值服從正態(tài)分布規(guī)律，通過引入顏色值的微觀抖動，造成圖像整體色調(diào)的偏移效應(yīng)?；叶绒D(zhuǎn)換01圖像濾波023.7圖像的基本處理技術(shù)圖像變換03灰度轉(zhuǎn)換灰度轉(zhuǎn)換是數(shù)字圖像處理中的一個基本步驟，它將彩色圖像轉(zhuǎn)換為灰度圖像?；叶葓D像只包含亮度信息，不包含顏色信息，因此每個像素點只需要一個灰度值來表示，通常這個值在0到255之間（對于8位灰度圖像），其中0表示黑色，255表示白色，中間的值表示不同程度的灰色。三通道彩色圖像由紅、綠、藍三個獨立的顏色分量疊加構(gòu)成。灰度化處理的核心目標，在于通過特定的算法將這三個色彩分量的信息融合，最終生成僅包含亮度信息的單通道圖像。除了加權(quán)平均法，還有其他一些灰度轉(zhuǎn)換方法，包括：最大值法：取R、G、B三個通道中的最大值作為灰度值。最小值法：取R、G、B三個通道中的最小值作為灰度值。平均值法：簡單地將R、G、B三個通道的值相加，然后除以3得到灰度值。亮度法：使用亮度公式（如YUV色彩空間中的Y分量）來計算灰度值。圖像濾波圖像濾波就是給照片“洗臉”的過程，目的是把照片上的斑點、模糊這些“臟東西”擦掉，同時盡量保留照片原本的細節(jié)鄰域均值濾波：對目標像素及其鄰域進行灰度值求和，取算術(shù)平均作為新像素值。中值濾波實現(xiàn)方式：對鄰域像素進行灰度值排序，取中值替代原像素值。高斯濾波實現(xiàn)方式：基于高斯分布函數(shù)構(gòu)建空間權(quán)重模板，實施卷積運算。雙邊濾波實現(xiàn)方式：同時考慮幾何鄰近性和灰度相似性，構(gòu)建雙重權(quán)重體系。圖像變換圖像變換是通過數(shù)學運算改變圖像表達形式的技術(shù)體系，涵蓋幾何變換和頻域變換兩大類別。圖像幾何變換類型平移：將圖像在水平或垂直方向上移動一定的距離。旋轉(zhuǎn)：將圖像繞某一點旋轉(zhuǎn)一定的角度。縮放：改變圖像的尺寸，可以是放大或縮小。翻轉(zhuǎn)：將圖像沿水平或垂直方向翻轉(zhuǎn)。剪切（Shear）：使圖像在水平或垂直方向上產(chǎn)生傾斜變形。頻域變換傅里葉變換、沃爾什-阿達瑪變換等。任務(wù)實現(xiàn)Part.04導入數(shù)據(jù)02任務(wù)實現(xiàn)查看數(shù)據(jù)03設(shè)置模型和參數(shù)04評估模型05優(yōu)化模型06模型預(yù)測07保存模型08新建工作流程01打開橙現(xiàn)智能軟件，單擊“文件”菜單中的“另存為”選項，將工作流命名為“手寫數(shù)字數(shù)據(jù)集的模型預(yù)測開發(fā).ows”。新建工作流程在“數(shù)據(jù)”選項中，找到“文件”組件并單擊，或者在工作流空白位置單擊右鍵，輸入“file”找到“文件”組件，并單擊；雙擊“文件”組件，在文件夾位置找到mnist_train.csv數(shù)據(jù)集導入；在“列”位置，將“Feature1”列的角色設(shè)置為“目標”，其余列不變，如圖所示。導入數(shù)據(jù)在“數(shù)據(jù)”選項中，找到“數(shù)據(jù)表”并單擊將“文件”組件與“數(shù)據(jù)表”組件連線；查看數(shù)據(jù)集的特征值、目標值和數(shù)據(jù)集的分布情況，如圖所示。由于數(shù)據(jù)集的目標值有10種類型，明確任務(wù)的類型為“分類”任務(wù)。查看數(shù)據(jù)在“模型”選項中，找到“神經(jīng)網(wǎng)絡(luò)”組件并單擊，將“文件”組件與神經(jīng)網(wǎng)絡(luò)模型組件連線，設(shè)置神經(jīng)網(wǎng)絡(luò)的參數(shù)（先按照默認參數(shù)設(shè)置）。設(shè)置模型和參數(shù)在“評估”選項中，找到“測試和評分”組件并單擊，將神經(jīng)網(wǎng)絡(luò)組件連線“測試和評分”，將“文件”組件連線“測試和評分”，通過“測試和評分”組件查看評估指標和模型比較。評估模型通過調(diào)整“神經(jīng)網(wǎng)絡(luò)”的中間層層數(shù)和每層的神經(jīng)元個數(shù)以及激活函數(shù)，對比每次調(diào)整完的“測試和評分”組件模型評估指標的變化，找到最優(yōu)的模型參數(shù)，這是一個重復(fù)操作的過程，直到符合模型評估指標的要求。優(yōu)化模型在“數(shù)據(jù)”選項中，找到“文件”組件，在“評估”選項中，找到“預(yù)測”組件并單擊，在本“mnist_test.csv”，將文件和預(yù)測組間連接，對數(shù)據(jù)集中的數(shù)據(jù)進行預(yù)測。模型預(yù)測第一列NeuralNetwork代表10條數(shù)據(jù)通過模型預(yù)測得到的結(jié)果，第二列Feature1代表數(shù)據(jù)集中實際的輸出值，對比兩列的數(shù)據(jù)，可以看出預(yù)測完全正確。這里需要注意一下，并不是所有的預(yù)測數(shù)據(jù)集都是百分比正確。模型預(yù)測在“模型”選項中，找到“保存模型”組件并單擊，將“神經(jīng)網(wǎng)絡(luò)”模型連線“保存模型”，雙擊“保存模型”點擊保存，如圖所示。保存模型任務(wù)總結(jié)Part.05在本次手寫數(shù)字識別的項目中，綜合學習了多種圖像處理技術(shù)和顏色模型，成功地實現(xiàn)了從圖像預(yù)處理到數(shù)字識別的全過程。在實際應(yīng)用中，使用這些知識時需要注意以下細節(jié)：在學習時還應(yīng)注意以下幾點：RGB模型是最常用的顏色表示方式，適用于大多數(shù)圖像處理任務(wù)，但其對光照變化敏感。HSV模型將顏色信息分離為色調(diào)（H）、飽和度（S）和明度（V），更適合顏色分割和光照不變性任務(wù)。灰度模型通過將彩色圖像轉(zhuǎn)換為單通道灰度圖像，簡化了計算復(fù)雜度，適用于紋理分析和邊緣檢測。二值模型將圖像簡化為黑白兩種顏色，常用于目標檢測和圖像分割。圖像噪聲會嚴重影響后續(xù)處理的效果，常見的噪聲類型包括高斯噪聲、椒鹽噪聲等。在去噪時，需要根據(jù)噪聲類型選擇合適的濾波方法。例如，高斯濾波適用于平滑高斯噪聲，而中值濾波對椒鹽噪聲有較好的去除效果?；叶绒D(zhuǎn)換是許多計算機視覺任務(wù)的前置步驟，但轉(zhuǎn)換時需注意保留圖像的關(guān)鍵信息。不同的灰度轉(zhuǎn)換方法（如加權(quán)平均法、最大值法等）可能對后續(xù)任務(wù)產(chǎn)生不同影響，需根據(jù)具體需求選擇。濾波是圖像預(yù)處理的重要步驟，能夠平滑圖像或增強特征。低通濾波用于去噪和平滑，而高通濾波用于邊緣檢測和細節(jié)增強。濾波核的大小和形狀會直接影響濾波效果，需根據(jù)圖像分辨率和任務(wù)需求進行調(diào)整。圖像變換（如縮放、旋轉(zhuǎn)、平移）是數(shù)據(jù)增強和幾何校正的重要手段。變換時需注意插值方法的選擇（如最近鄰插值、雙線性插值等），以避免圖像失真。任務(wù)提出01任務(wù)分析02知識準備03任務(wù)4工業(yè)零件劃痕自動識別任務(wù)實現(xiàn)04任務(wù)總結(jié)05任務(wù)提出Part.01某工廠主要從事各類工業(yè)零件（工件）的生產(chǎn)加工，由于工廠生產(chǎn)環(huán)境復(fù)雜，工件生產(chǎn)過程中存在發(fā)生剮蹭、磕碰、制作疏漏的可能性，存在瑕疵的商品需按照殘次品處理，不可進入市場銷售。瑕疵質(zhì)檢精細度要求較高，缺陷通常比較細微難以發(fā)現(xiàn)，傳統(tǒng)的人工質(zhì)檢方式效率低，長時間作業(yè)容易出現(xiàn)視覺疲勞發(fā)生錯檢、漏檢的現(xiàn)象，影響工廠產(chǎn)能及交付效率。為提高產(chǎn)能及質(zhì)檢精確率，該工廠決定對質(zhì)檢產(chǎn)線進行智能化賦能，通過AI實現(xiàn)工件缺陷的自動化識別，提高出廠質(zhì)檢效率。提出任務(wù)任務(wù)分析Part.02本任務(wù)需要利用百度AI開發(fā)平臺—EasyDL提供的AI開發(fā)功能訓練模型。具體的任務(wù)實施分析如下。1.選擇訓練模型的類型為物體檢測；在物體檢測中選擇場景范例—工業(yè)零件劃痕自動識別；下載數(shù)據(jù)集進行標注；開始訓練模型；發(fā)布測試。

任務(wù)分析知識準備Part.03搭建卷積神經(jīng)網(wǎng)絡(luò)01訓練卷積神經(jīng)網(wǎng)絡(luò)02知識準備卷積神經(jīng)網(wǎng)絡(luò)在圖像中的應(yīng)用03經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)04卷積核02池化層033.8搭建卷積神經(jīng)網(wǎng)絡(luò)卷積運算01全連接層04卷積運算如何實現(xiàn)圖像識別？目標檢測人臉識別防疫機器人果蔬健康監(jiān)控卷積運算特征人如何識別圖像？道法自然—老子卷積運算？計算機如何識別圖像？0+1+1+1+10000+1000+1000+1000+10007怎么提取特征卷積運算一維卷積運算卷積運算二維卷積運算卷積核0+1+1+1+10000+1000+1000+1000+10007的特征是什么？+1+1+1-1-1-1-1-1-1-1-1+1-1+1-1+1-1-1和以下卷積核進行運算得到什么？卷積核-1-1+1-1+1-1+1-1-10-2-3-1-23-230+1+1+1-1-1-1-1-1-1221-1-2-1-2-102210000000000030302210030300+1+1+1+10000+1000+1000+1000+1000**池化層

池化層在卷積神經(jīng)網(wǎng)絡(luò)（CNN）中扮演著至關(guān)重要的角色，它作為一種有效的操作手段，旨在縮減特征圖的空間維度（具體指高度與寬度）。這一縮減不僅顯著降低了模型的計算負擔和參數(shù)總量，而且巧妙地保留了圖像中的關(guān)鍵特征信息最大池化平均池化全連接層卷積神經(jīng)網(wǎng)絡(luò)的終極任務(wù)，通常是做圖像分類。而分類就少不了全連接層的參與。因此，在卷積神經(jīng)網(wǎng)絡(luò)的最后，還有一個或多個至關(guān)重要的全連接層?！叭B接”意味著，前一層網(wǎng)絡(luò)中的所有神經(jīng)元都與下一層的所有神經(jīng)元相連接。過擬合和欠擬合01防止過擬合的Dropout023.9訓練卷積神經(jīng)網(wǎng)絡(luò)過擬合欠擬合欠擬合只學習部分特征過擬合欠擬合有鋸齒

能識別無鋸齒

不識別有方框

能識別無方框

不識別有鋸齒

能識別無鋸齒

不識別過度擬合鋸齒特征過度擬合方框特征過擬合現(xiàn)象防止過擬合Dropout無鋸齒

不識別解決過擬合神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)神經(jīng)元

DropOut臨時丟棄某些神經(jīng)元信息員技術(shù)員項目經(jīng)理第1組第2組第3組防止學習的過擬合，增加適應(yīng)性圖像分類01目標檢測023.10卷積神經(jīng)網(wǎng)絡(luò)在圖像中的應(yīng)用圖像生成03物體識別04圖像處理05語音識別06自然語言處理07超分辨率08風格遷移09圖像分類卷積神經(jīng)網(wǎng)絡(luò)在圖像分類領(lǐng)域有著廣泛的應(yīng)用，其可以通過提取圖像中的局部特征，實現(xiàn)對圖像的有效分類。例如：人體動作識別、虛擬現(xiàn)實等。目標檢測目標檢測是計算機視覺中的一個重要任務(wù)，旨在識別圖像或視頻中的目標物體，并確定其位置和大小。卷積神經(jīng)網(wǎng)絡(luò)通過卷積層提取特征，再通過后續(xù)的網(wǎng)絡(luò)層實現(xiàn)對目標物體的檢測和定位，如圖所示。圖像生成卷積神經(jīng)網(wǎng)絡(luò)在圖像生成領(lǐng)域也取得了一定的成果，如通過生成對抗網(wǎng)絡(luò)（GAN）等技術(shù)，可以生成逼真的圖像，如圖所示。物體識別卷積神經(jīng)網(wǎng)絡(luò)可以通過滑動窗口、選擇性搜索和YOLO等方法進行物體識別，實現(xiàn)對圖像中物體的準確識別和定位，如圖所示。圖像處理卷積神經(jīng)網(wǎng)絡(luò)在圖像處理領(lǐng)域有著廣泛的應(yīng)用，如圖像去噪（圖左）、圖像增強、圖像修復(fù)（圖右）等。其可以通過學習圖像中的特征，實現(xiàn)對圖像的有效處理和改進。語音識別卷積神經(jīng)網(wǎng)絡(luò)在語音識別領(lǐng)域也取得了顯著的成果。通過提取音頻信號的時頻特征，CNN可以有效地識別語音中的單詞和短語。自然語言處理雖然卷積神經(jīng)網(wǎng)絡(luò)在自然語言處理領(lǐng)域的應(yīng)用不如循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）和Transformer廣泛，但在某些任務(wù)（如文本分類、句子相似度計算等）上也表現(xiàn)出了良好的性能。超分辨率超分辨率是指將低分辨率圖像放大到高分辨率圖像，同時保持圖像質(zhì)量。卷積神經(jīng)網(wǎng)絡(luò)在超分辨率領(lǐng)域有著廣泛的應(yīng)用，如SRCNN、ESPCN等是典型的超分辨率算法。風格遷移風格遷移是指將一種圖像的風格應(yīng)用到另一種圖像上，生成具有新風格的圖像。卷積神經(jīng)網(wǎng)絡(luò)在風格遷移領(lǐng)域也取得了一定的成果，如NeuralStyleTransfer、CycleGAN等是常用的風格遷移算法。LeNet01VGG023.11經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)ResNet(殘差網(wǎng)絡(luò))03LeNetLeNet是由YannLeCun等人于1998年提出的一種經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)（ConvolutionalNeuralNetwork,CNN）架構(gòu)，最初用于手寫數(shù)字識別任務(wù)。它是深度學習領(lǐng)域中最早的卷積神經(jīng)網(wǎng)絡(luò)之一，為現(xiàn)代計算機視覺的發(fā)展奠定了基礎(chǔ)。LeNet的成功證明了卷積神經(jīng)網(wǎng)絡(luò)在圖像分類任務(wù)中的有效性，并啟發(fā)了后續(xù)許多重要的神經(jīng)網(wǎng)絡(luò)架構(gòu)（如AlexNet、VGG和ResNet）。VGGVGG是一個經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)（CNN）模型，由牛津大學的VisualGeometryGroup提出，因此得名VGG。它在2014年的ImageNet圖像分類競賽中取得了優(yōu)異的成績，成為深度學習領(lǐng)域的里程碑之一。（1）VGG結(jié)構(gòu)VGG的網(wǎng)絡(luò)結(jié)構(gòu)非常規(guī)整，主要由卷積層和全連接層組成。卷積層的濾波器（kernel）大小固定為3×3，步幅（stride）為1，填充（padding）為1。池化層使用2×2的最大池化，步幅為2。VGG通過堆疊多個小卷積層（3×3）來替代大卷積層（如5×5或7×7），從而增加網(wǎng)絡(luò)的深度。例如，兩個3×3卷積層的感受野（receptivefield）相當于一個5×5卷積層，但參數(shù)量更少，且引入了更多的非線性激活函數(shù)（ReLU），增強了模型的表達能力。（2）VGG版本VGG有多個版本，常用的有VGG16和VGG19，數(shù)字表示網(wǎng)絡(luò)的層數(shù)（包括卷積層和全連接層）。VGG1