卷积神经网络-深度学习

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）。

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

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。

现在让我们了解过滤器（卷积/特征图）：

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

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：

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。

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。

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。

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。

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 Packagesfrom keras.models import Sequentialfrom keras.layers import Convolution2Dfrom keras.layers import MaxPooling2Dfrom keras.layers import Flattenfrom keras.layers import Dense

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 CNNmodel = Sequential()Convolutional Layermodel.add(Convolution2D(filters = 32, kernel_size = (3, 3),input_shape = (64, 64, 3),activation = ‘relu’))

池化层

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

pool_size：池化窗口的形状。

展平层

model.add(Flatten())

完全连接的层

Adding the Hidden layermodel.add(Dense(units = 128, activation = ‘relu’))Adding the Output Layermodel.add(Dense(units = 1, activation = ‘sigmoid’))

编译CNN

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

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 Datafrom keras.preprocessing.image import ImageDataGeneratortrain_datagen = ImageDataGenerator(rescale = 1./255,shear_range = 0.1,zoom_range = 0.2,horizontal_flip = True)test_datagen = ImageDataGenerator(rescale = 1./255)