快速學會一個算法，CNN
大家好，我是小寒
今天給大家介紹一個強大的算法模型，CNN
卷積神經網絡（Convolutional Neural Network, CNN）是一類特別適合處理圖像數據的深度學習模型。它們通過模擬生物視覺系統的處理方式，能夠自動學習和提取圖像中的特征。
CNN 由一系列層組成，每層都旨在從輸入數據中提取越來越復雜的特征，使其非常適合圖像分類、對象檢測和圖像生成等任務。
圖片
CNN 的核心組件
CNN 主要由卷積層（Convolutional Layer）、池化層（Pooling Layer）和全連接層（Fully Connected Layer）構成。
1.卷積層
卷積層是 CNN 的核心組件，用于從輸入數據中提取局部特征。
它通過卷積操作，將一個小的濾波器（或卷積核）應用到輸入圖像的不同區域，以捕捉局部的空間特征。
每個卷積核在輸入數據上滑動，并計算其與輸入數據的局部區域的點積，這個操作生成一個特征圖（Feature Map）。
圖片
1.1 過濾器/卷積核
過濾器/卷積核是檢測輸入數據中特定特征（如邊緣、紋理或圖案）的小矩陣。
網絡在訓練期間學習這些過濾器，每個過濾器負責檢測不同的特征。
圖片
1.2 步幅
卷積核在輸入圖像上移動的步長。步幅為 1 表示卷積核每次移動一個像素。
2.池化層
池化層用于對特征圖進行下采樣，減少特征圖的尺寸，從而降低計算量和減少過擬合。
池化操作通常選擇局部區域的最大值（最大池化）或平均值（平均池化），從而減少信息冗余。
2.1 最大池化
最大池化是一種提取局部區域中最顯著特征的操作。
在一個指定大小的池化窗口內，最大池化保留該區域中最大的數值，而忽略其他數值。
最大池化的效果是保留重要特征（如邊緣、亮度等），同時減少數據的維度。
圖片
2.2 平均池化
另一方面，平均池化是對池化窗口內的所有值取平均值，從而得到一個代表性數值。
與最大池化不同，平均池化保留了池化窗口內所有數值的信息，這使得它在某些應用中可以捕捉到更多的上下文信息。
圖片
3.全連接層
全連接層是卷積神經網絡的重要組成部分，它將前一層（通常是卷積層或池化層）的輸出展平成一維向量，然后通過線性變換和激活函數進行處理。
全連接層的每個神經元與前一層的所有神經元相連接，因此稱為“全連接”。
全連接層的主要作用是將前面提取到的特征進行進一步組合和處理，從而得出最終的輸出（如分類結果）。
3.1 扁平化
扁平化將二維或三維特征圖轉換為一維向量，從而可以將卷積層和池化層連接到全連接層。
圖片
3.2 全連接層
全連接層通過處理卷積層和池化層提取的特征來執行最終的分類或回歸任務。
圖片
案例分享
下面是一個使用卷積神經網絡（CNN）進行手寫數字識別的案例代碼。
import tensorflow as tf
from tensorflow.keras import datasets, layers, models
import matplotlib.pyplot as plt
# 加載 MNIST 數據集
(train_images, train_labels), (test_images, test_labels) = datasets.mnist.load_data()
train_images, test_images = train_images / 255.0, test_images / 255.0
train_images = train_images.reshape((train_images.shape[0], 28, 28, 1))
test_images = test_images.reshape((test_images.shape[0], 28, 28, 1))
# 構建 CNN 模型
model = models.Sequential([
layers.Conv2D(32, (3, 3), activatinotallow='relu', input_shape=(28, 28, 1)),
layers.MaxPooling2D((2, 2)),
layers.Conv2D(64, (3, 3), activatinotallow='relu'),
layers.MaxPooling2D((2, 2)),
layers.Conv2D(64, (3, 3), activatinotallow='relu'),
layers.Flatten(),
layers.Dense(64, activatinotallow='relu'),
layers.Dense(10, activatinotallow='softmax')
])
# 編譯模型
model.compile(optimizer='adam',
loss='sparse_categorical_crossentropy',
metrics=['accuracy'])
# 訓練模型
history = model.fit(train_images, train_labels, epochs=5,
validation_data=(test_images, test_labels))
# 評估模型
test_loss, test_acc = model.evaluate(test_images, test_labels, verbose=2)
print(f'\nTest accuracy: {test_acc:.4f}')
# 繪制訓練過程中的準確率
plt.figure(figsize=(12, 4))
plt.subplot(1, 2, 1)
plt.plot(history.history['accuracy'], label='Training Accuracy')
plt.plot(history.history['val_accuracy'], label='Validation Accuracy')
plt.xlabel('Epoch')
plt.ylabel('Accuracy')
plt.legend()
plt.title('Accuracy Over Time')
plt.show()
圖片
