01目錄CONTENTS卷積神經(jīng)網(wǎng)絡(luò)02基于卷積神經(jīng)網(wǎng)絡(luò)的圖像分類算法03常用的經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)模型04分類器的一般訓(xùn)練過程卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)本質(zhì)上是一個(gè)多層感知機(jī)，其成功是由于采用了局部連接和共享權(quán)值的方式，使得神經(jīng)網(wǎng)絡(luò)易于優(yōu)化，降低過擬合的風(fēng)險(xiǎn)。卷積神經(jīng)網(wǎng)絡(luò)可以使用圖像直接作為神經(jīng)網(wǎng)絡(luò)的輸入，避免了傳統(tǒng)識別算法中復(fù)雜的特征提取和數(shù)據(jù)重建過程

卷積神經(jīng)網(wǎng)絡(luò)在二維圖像處理上有優(yōu)勢如能自行抽取圖像特征，在復(fù)雜任務(wù)上具有良好的魯棒性和運(yùn)算效率等。卷積神經(jīng)網(wǎng)絡(luò)可以處理環(huán)境信息復(fù)雜、背景知識不清楚、推理規(guī)則不明確情況下的問題每一層獲取不同特征值

卷積神經(jīng)網(wǎng)絡(luò)最主要的功能是特征提取和降維。特征提取是的是使用計(jì)算機(jī)提取圖像信息，決定每個(gè)圖像的點(diǎn)是否屬于一個(gè)圖像特征。特征提取的結(jié)果是把圖像上的點(diǎn)分為不同的子集，這些子集往往屬于孤立的點(diǎn)、連續(xù)的曲線或者連續(xù)的區(qū)域

降維指通過線性或非線性映射，將樣本從高維度空間映射到低維度空間，獲得高維度數(shù)據(jù)的一個(gè)有意義的低維度表示過程。

卷積神經(jīng)網(wǎng)絡(luò)：一種特殊的深層神經(jīng)網(wǎng)絡(luò)模型，它的特殊性體現(xiàn)在兩個(gè)方面：它的神經(jīng)元的連接是非全連接的（局部連接或稀疏連接）同一層中某些神經(jīng)元之間的連接的權(quán)重是共享的（即相同的）卷積神經(jīng)網(wǎng)絡(luò)是一種有監(jiān)督學(xué)習(xí)的機(jī)器學(xué)習(xí)模型，具有極強(qiáng)的適應(yīng)性善于挖掘數(shù)據(jù)局部特征，提取全局訓(xùn)練特征和分類，權(quán)值共享結(jié)構(gòu)使之更類似于生物神經(jīng)網(wǎng)絡(luò)，在模式識別各個(gè)領(lǐng)域都取得了很好的成果。卷積神經(jīng)網(wǎng)絡(luò)

由輸入層、卷積層、池化層、全連接層以及輸出層組成卷積作用：獲取各層特征總結(jié)：卷積層的通過卷積核的過濾提取出圖片中局部的特征，跟上人類視覺的特征提取類似。池化層作用：降低維度防止過擬合全連接作用：轉(zhuǎn)換維度，多維變一維，判斷分類class1class2ClassificationOutput

LeNet-5的結(jié)構(gòu)就如下圖所示：卷積層–池化層-卷積層–池化層–卷積層–全連接層CNN有哪些實(shí)際應(yīng)用？基于卷積神經(jīng)網(wǎng)絡(luò)的圖像分類算法圖像分類

即給定一幅輸入圖像，通過某種分類算法來判斷該圖像所屬的類別。

圖像分類的主要流程包括圖像預(yù)處理、圖像特征描述和提取以及分類器的設(shè)計(jì)。預(yù)處理包括圖像濾波（例如中值濾波、均值濾波、高斯濾波等）和尺寸的歸一化等操作圖像特征是對凸顯特性或?qū)傩缘拿枋?，特征提取，分類器就是按照所選取的特征來對目標(biāo)圖像進(jìn)行分類的一種算法。傳統(tǒng)的圖像分類方法性能差異性主要依賴于特征提取及分類器選擇兩方面，傳統(tǒng)圖像分類算法所采用的特征都為人工選取，常用的圖像特征有形狀、紋理、顏色等底層視覺特征。傳統(tǒng)的圖像分類方法缺點(diǎn)卷積神經(jīng)網(wǎng)絡(luò)圖像分類方法不再需要人工對目標(biāo)圖像進(jìn)行特征描述和提取，通過神經(jīng)網(wǎng)絡(luò)自主地從訓(xùn)練樣本中學(xué)習(xí)特征，并且這些特征與分類器關(guān)系緊密很好地解決了人工提取特征和分類器選擇的難題。常用的經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)模型常用的經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)模型1.LeNet-5模型2.AlexNet模型3.VGGnet4.GoogleNet5.ResNet6.DenseNetDenseNet分類器的一般訓(xùn)練過程分類器的一般訓(xùn)練過程分類器的一般訓(xùn)練過程第1步：數(shù)據(jù)集準(zhǔn)備。通常我們會(huì)管我們處理的數(shù)據(jù)叫做數(shù)據(jù)集（dataset），一個(gè)數(shù)據(jù)集通常來說包括三個(gè)部分：（1）訓(xùn)練數(shù)據(jù)（trainingdata）及其標(biāo)簽。（2）驗(yàn)證數(shù)據(jù)（validationdata）及其標(biāo)簽。（3）測試數(shù)據(jù)（testingdata）。分類器的一般訓(xùn)練過程第2步：選擇分類模型將數(shù)據(jù)集進(jìn)行預(yù)處理后，喂進(jìn)數(shù)據(jù)模型，進(jìn)行模型訓(xùn)練，我們通過將損失函數(shù)降低，不斷優(yōu)化模型中的參數(shù)。分類器的一般訓(xùn)練過程第3步：分類