什么是卷积神经网络CNN完整解析

在当今时代，机器在理解和识别图像中的特征和目标方面已经成功实现了 99% 的识别准确率。我们每天都会看到这种情况——智能手机可以识别相机中的面部；使用 Google 图片搜索特定照片的能力；从条形码或书籍中扫描文本。借助 卷积神经网络（CNN），这一切都是可能的，卷积神经网络是一种特定类型的神经网络，也称为卷积网络。

如果您是一名深度学习爱好者，那么您可能已经听说过卷积神经网络，也许您甚至自己开发了一些图像分类器。像 Tensorflow 和 PyTorch 这样的现代深度学习框架使向机器学习图像变得容易，但是，仍然存在一些问题：数据如何通过神经网络的人工层传递？计算机如何从中学习？更好地解释卷积神经网络的一种方法是使用 PyTorch。因此，让我们通过可视化每个图层的图像来深入研究 CNN。

一、什么是卷积神经网络？

卷积神经网络（CNN）是一种特殊类型的神经网络，在图像上表现特别出色。卷积神经网络由 Yan LeCun 在 1998 年提出，可以识别给定输入图像中存在的数字。

在开始使用卷积神经网络之前，了解神经网络的工作原理很重要。神经网络模仿人脑如何解决复杂的问题并在给定的数据集中找到模式。在过去的几年中，神经网络席卷了许多机器学习和计算机视觉算法。

神经网络的基本模型由组织在不同层中的神经元组成。每个神经网络都有一个输入层和一个输出层，并根据问题的复杂性增加了许多隐藏层。一旦数据通过这些层，神经元就会学习并识别模式。神经网络的这种表示称为模型。训练完模型后，我们要求网络根据测试数据进行预测。如果您不熟悉神经网络，那么这篇有关使用 Python 进行深度学习的文章就是一个很好的起点。

另一方面，CNN 是一种特殊的神经网络，在图像上表现特别出色。卷积神经网络由 Yan LeCun 在 1998 年提出，可以识别给定输入图像中存在的数字。使用 CNN 的其他应用程序包括 语音识别，图像分割和文本处理。在卷积神经网络之前，多层感知器（MLP）用于构建图像分类器。

图像分类是指从多波段光栅图像中提取信息类别的任务。多层感知器需要更多的时间和空间来在图片中查找信息，因为每个输入功能都需要与下一层的每个神经元相连。CNN 通过使用称为 本地连接 的概念取代了 MLP，该概念涉及将每个神经元仅连接到输入体积的本地区域。通过允许网络的不同部分专门处理高级功能（如纹理或重复图案），可以最大程度地减少参数数量。感到困惑？别担心。让我们比较一下图像如何通过多层感知器和卷积神经网络进行传递的，以更好地理解。

二、比较 MLP 和 CNN

考虑到 MNIST 数据集，由于输入图像的大小为 28x28 = 784，多层感知器输入层的总数将为 784。网络应该能够预测给定输入图像中的数量，这意味着输出可能属于以下范围中的任何一个，范围从 0 到 9（1、2、3、4、5、6、7、8、9）。在输出层中，我们返回类别分数，例如，如果给定的输入是具有数字“3”的图像，则在输出层中，对应的神经元“3”比其他神经元具有更高的类别分数。我们需要包含多少个隐藏层，每个层中应该包含多少个神经元？这是一个编码 MLP 的示例：

上面的代码段是使用称为 Keras 的框架实现的（暂时忽略语法）。它告诉我们在第一个隐藏层中有 512 个神经元，它们连接到形状为 784 的输入层。该隐藏层之后是一个随机失活层，该层克服了过拟合的问题。0.2 表示在第一个隐藏层之后不考虑神经元的可能性为 20%。再次，我们在第二个隐藏层中添加了与第一个隐藏层中相同数量的神经元（512），然后添加了另一个随机失活。最后，我们用包含 10 个类的输出层结束这组层。具有最高值的此类将是模型预测结果。

这是定义所有层之后的网络多层外观。这种多层感知器的一个缺点是 全连接的以供网络学习，这需要更多的时间和空间。MLP 仅接受向量作为输入。

卷积层不使用全连接层，而是使用 稀疏连接层，也就是说，它们接受矩阵作为输入，这比 MLP 更具优势。输入特征连接到本地编码节点。在 MLP 中，每个节点负责获得对整个画面的理解。在 CNN 中，我们将图像分解为区域（像素的局部区域）。每个隐藏节点都必须输出层报告，在输出层，输出层将接收到的数据组合起来以找到模式。下图显示了各层如何本地连接。

在我们了解 CNN 如何在图片中找到信息之前，我们需要了解如何提取特征。卷积神经网络使用不同的图层，每一层将保存图像中的特征。例如，考虑一张狗的照片。每当网络需要对狗进行分类时，它都应该识别所有特征——眼睛，耳朵，舌头，腿等。使用过滤器和核，这些特征被分解并在网络的局部层中识别出来。

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：什么是卷积神经网络CNN完整解析要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题