大家好，我是小寒。

今天給大家分享一個(gè)超強(qiáng)的算法模型，卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network, CNN）是一種專門用于處理數(shù)據(jù)具有網(wǎng)格結(jié)構(gòu)的深度學(xué)習(xí)模型，特別是在圖像和視頻識(shí)別領(lǐng)域取得了顯著成功。

CNN 通過引入卷積層、池化層等特殊層，能夠有效提取數(shù)據(jù)的局部特征，同時(shí)減少參數(shù)量，提升訓(xùn)練效率和模型的泛化能力。

圖片

CNN 的基本結(jié)構(gòu)

CNN 主要由以下幾種層組成。

輸入層

顧名思義，它是我們的輸入圖像，可以是灰度或 RGB。每個(gè)圖像都由 0 到 255 范圍內(nèi)的像素組成。我們需要對(duì)它們進(jìn)行規(guī)范化，即將范圍轉(zhuǎn)換為 0 到 1 之間，然后再將其傳遞給模型。

下面是大小為 4*4 的輸入圖像的示例，該圖像具有 3 個(gè)通道，即 RGB 和像素值。

圖片

卷積層

卷積層是 CNN 的核心，通過卷積操作提取輸入數(shù)據(jù)的局部特征。

卷積操作通過一個(gè)或多個(gè)可學(xué)習(xí)的濾波器（也稱為卷積核）在輸入數(shù)據(jù)上滑動(dòng)，計(jì)算內(nèi)積來生成特征圖。

圖片

讓我們借助一個(gè)例子來理解這一點(diǎn)。為簡(jiǎn)單起見，我們將采用具有標(biāo)準(zhǔn)化像素的 2D 輸入圖像。

圖片

在上圖中，我們有一個(gè)大小為 6 * 6 的輸入圖像，并在其上應(yīng)用了 3*3 的過濾器來檢測(cè)一些特征。在這個(gè)例子中，我們只應(yīng)用了一個(gè)過濾器，但實(shí)際上，會(huì)應(yīng)用許多這樣的過濾器來從圖像中提取信息。

對(duì)圖像應(yīng)用過濾器的結(jié)果是我們得到一個(gè) 4*4 的 Feature Map，它包含一些關(guān)于輸入圖像的信息。實(shí)際應(yīng)用中會(huì)產(chǎn)生許多這樣的 Feature Map。

讓我們來了解一下上圖中特征圖（Feature Map）背后的一些數(shù)學(xué)知識(shí)。

圖片

如上圖所示，第一步是將濾器應(yīng)用于圖像中綠色高亮部分，然后將圖像的像素值與過濾器的值相乘（如圖中使用線條所示），然后相加得到最終值。

下一步，過濾器將移動(dòng)一列，如下圖所示。這種移動(dòng)到下一列或行的過程稱為步幅，在本例中，我們采用步幅 1，這意味著我們將移動(dòng)一列。

圖片

類似地，過濾器遍歷整個(gè)圖像，我們得到最終的特征圖。一旦我們得到特征圖，就會(huì)對(duì)其應(yīng)用激活函數(shù)來引入非線性。

池化層

池化層應(yīng)用于卷積層之后，用于減少特征圖的維度，這有助于保留輸入圖像的重要信息或特征并減少計(jì)算時(shí)間。

使用池化，可以創(chuàng)建一個(gè)較低分辨率的輸入版本，但仍然包含輸入圖像的較大或重要元素。

最常見的池化類型是最大池化（Max-Pooling）和平均池化（Avg-Pooling）。

圖片

圖片

全連接層

到目前為止，我們已經(jīng)完成了特征提取步驟，現(xiàn)在進(jìn)入分類部分。

全連接層（如 ANN 中的）用于將輸入圖像分類為標(biāo)簽。

該層將從前面的步驟（即卷積層和池化層）中提取的信息連接到輸出層，并最終將輸入分類為所需的標(biāo)簽。

圖片

案例代碼

下面是一個(gè)使用卷積神經(jīng)網(wǎng)絡(luò)（CNN）對(duì)手寫數(shù)字進(jìn)行識(shí)別的示例代碼。

import tensorflow as tf
from tensorflow.keras import datasets, layers, models
import matplotlib.pyplot as plt

# 加載并預(yù)處理 MNIST 數(shù)據(jù)集
(train_images, train_labels), (test_images, test_labels) = datasets.mnist.load_data()

# 重新調(diào)整圖像的形狀為 (28, 28, 1) 并歸一化像素值到 [0, 1] 之間
train_images = train_images.reshape((60000, 28, 28, 1)).astype('float32') / 255
test_images = test_images.reshape((10000, 28, 28, 1)).astype('float32') / 255

# 構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)模型
model = models.Sequential()
model.add(layers.Conv2D(32, (3, 3), activatinotallow='relu', input_shape=(28, 28, 1)))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(64, (3, 3), activatinotallow='relu'))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(64, (3, 3), activatinotallow='relu'))

# 添加全連接層
model.add(layers.Flatten())
model.add(layers.Dense(64, activatinotallow='relu'))
model.add(layers.Dense(10, activatinotallow='softmax'))

# 編譯模型
model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

# 訓(xùn)練模型
history = model.fit(train_images, train_labels, epochs=5, 
                    validation_data=(test_images, test_labels))

# 評(píng)估模型
test_loss, test_acc = model.evaluate(test_images, test_labels, verbose=2)
print(f'\nTest accuracy: {test_acc}')