人工智能-卷积神经网络（学习向）

一.概述；

        卷积神经网络（Convolutional Neural Network, CNN）是一种专门用于处理具有类似网格结构的数据（如图像）的深度学习模型。

        主要用于处理机器视觉任务。

主要功能；

        1.图像分类

        2.目标检测

        3.图像分割

1.1.与传统神经网络的区别；

全连接神经网络（FCN）

• 结构：每一层的每个神经元都与前一层的所有神经元相连。

• 参数数量：参数数量通常非常大，尤其是在处理高维输入（如图像）时。

• 示例：多层感知器（Multilayer Perceptron, MLP）。

卷积神经网络（CNN）

• 结构：包含卷积层、池化层、全连接层等组件。卷积层通过卷积核在输入数据上滑动，提取局部特征。

• 参数数量：参数数量相对较少，因为卷积核的权重在不同位置共享。

• 示例：LeNet、AlexNet、VGG、ResNet 等。

2. 参数共享

全连接神经网络（FCN）

• 参数共享：没有参数共享机制，每个神经元都有独立的权重。

• 缺点：参数数量庞大，容易导致过拟合。

卷积神经网络（CNN）

• 参数共享：卷积层的权重在不同位置共享，减少了参数数量。

• 优点：参数共享使得网络能够更好地捕捉局部特征，减少过拟合。

3. 局部连接

全连接神经网络（FCN）

• 局部连接：每个神经元与前一层的所有神经元相连，不考虑输入数据的局部性。

• 缺点：无法有效利用输入数据的局部结构。

卷积神经网络（CNN）

• 局部连接：卷积层通过卷积核在输入数据上滑动，提取局部特征。

• 优点：能够有效利用输入数据的局部结构，提取局部特征。

4. 处理输入数据

全连接神经网络（FCN）

• 输入数据：通常需要将输入数据展平为一维向量，丢失了输入数据的二维或三维结构。

• 示例：图像数据需要展平为 28×28=78428×28=784 维的向量。

卷积神经网络（CNN）

• 输入数据：直接处理二维或三维的输入数据，保留了数据的结构信息。

• 示例：图像数据可以直接输入到卷积层，保留了 28×2828×28 的二维结构。

二.卷积层

2.1.卷积核

卷积核用于提取图像的特征数据。

卷积核的定义：

        1.卷积核的个数:       决定了特征矩阵的通道数。有几个通道就有几个特征数据

        2.卷积核的值 :       通常是系统初始化，或是自己根据需求定义。

        3.卷积核的大小：常见的卷积核有1×1、3×3、5×5等，一般都是奇数 × 奇数。

2.2.卷积的计算思想

        卷：从左往右，从上往下

        积：乘积，求和

卷积的过程是将卷积核在图像上进行滑动计算，每次滑动到一个新的位置时，卷积核和图像进行点对点的计算，并将其求和得到一个新的值，然后将这个新的值加入到特征图中，最终得到一个新的特征图。

滑动法，从左往右滑动，从上往下滑动。

        卷积的重要性在于它可以将图像中的特征与卷积核进行卷积操作，从而提取出图像中的特征。

可以通过不断调整卷积核的大小、卷积核的值和卷积操作的步长，可以提取出不同尺度和位置的特征。