分类： 大数据
2020-04-20 10:34:38
图像识别为什么要用卷积神经网络CNN？比传统神经网络好在哪里？
核心差别点：多了卷积层+池化层，所以本文主要是梳理卷积层和池化层设计原理+CNN模型实现（基于Keras代码）
传统神经网络的劣势
我们知道，图像是由一个个像素点构成，每个像素点有三个通道，代表RGB颜色，如果一个图像的尺寸是（28，28，1），即代表这个图像的是一个长宽均为28，channel为1的图像（channel也叫depth,此处1代表灰色图像）。如果使用全连接的网络结构，即，网络中的神经与与相邻层上的每个神经元均连接，那就意味着我们的网络有28 * 28 =784个神经元，hidden层采用了15个神经元，那么简单计算一下，我们需要的参数个数(w和b)就有：7841510+15+10=117625个，这个参数太多了，随便进行一次反向传播计算量都是巨大的，从计算资源和调参的角度都不建议用传统的神经网络。卷积神经网络CNN通过卷积层、池化层分别对图像数据进行特征提取，特征降维，可以大大减少计算权重参数的工作量。Dropout层的设计可以随机将一定比例的神经元权重设置为0，有效防止过拟合。
CNN卷积神经网络图像识别图解：
一、CNN图像识别数据流工作过程：
1输入：图像预处理、图像增强
2特征提取：多层卷积+池化
2.1卷积层要点：
可以把卷积核就理解为特征提取器，只需要把图片数据灌进去，设计好卷积核的尺寸、数量和滑动的步长就可以让自动提取出图片的某些特征，从而达到分类的效果。
卷积核上数字为权重，与上一层输入对应位置相乘再相加，得到卷积层输出结果。有N卷积核，相应输出N个通道层数据。那么第二层卷积层的卷积核对应（3，3，N）,tensorflow需要界定，Keras只要界定（3,3）即可。
边界补齐：卷积核按照一定步长移动覆盖输入层，为了加速计算，对边界进行补齐：
2.2池化层要点：
池化层的目的：
为了减少训练参数的数量，降低卷积层输出的特征向量的维度
，只保留最有用的图片信息，减少噪声的传递。
实现方式：
最大池化：max-pooling——选取指定区域内最大的一个数来代表整片区域
均值池化：mean-pooling——选取指定区域内数值的平均值来代表整片区域
3分类识别：全连接层、dropout层（防止过拟合）、softmax（传统神经网络也有，在此不多赘述）
以上重点梳理卷积神经网络比传统神经网络的优势点：卷积层、池化层设计原理。
