終于把卷積神經網絡算法搞懂了！！！
作者：程序員小寒
卷積神經網絡（CNN）是一種專門用于處理具有網格結構數據（如圖像）的深度學習模型。CNN 的核心是通過卷積操作來提取圖像中的局部特征，并通過池化操作降低數據的維度。
大家好，我是小寒
今天給大家分享一個強大的算法模型，卷積神經網絡算法
卷積神經網絡（CNN）是一種專門用于處理具有網格結構數據（如圖像）的深度學習模型。
CNN 的核心是通過卷積操作來提取圖像中的局部特征，并通過池化操作降低數據的維度。
卷積神經網絡在很多計算機視覺任務中都表現出色，比如圖像分類、目標檢測和圖像生成等。
圖片
相關原理
卷積神經網絡由若干層堆疊而成，通常包括卷積層、池化層以及全連接層。
卷積層
卷積層是 CNN 的核心，它使用卷積核（或稱過濾器）對輸入進行卷積操作，以提取輸入數據的局部特征。
圖片
- 卷積操作
卷積層使用卷積核（或過濾器）在輸入數據上進行局部滑動，計算加權和來生成特征圖。
這個過程使卷積層能夠識別輸入數據中的局部模式，如邊緣、角點等。 - 共享權重
卷積核的參數是共享的，也就是說，在整個輸入數據中，所有位置使用相同的卷積核。
這種權重共享機制大大減少了模型的參數數量，避免過擬合，并提高了模型的訓練效率。 - 參數
卷積層通常有三個重要參數：
- 卷積核大小（filter size）：通常為 3x3 或 5x5，用來定義卷積核的尺寸。
- 步長（stride），表示卷積核在輸入上移動的步幅。步長為 1 時，卷積核每次移動一個像素；步長為 2 時，卷積核每次移動兩個像素。
- 填充（padding），為了控制輸出的大小，填充會在輸入數據的邊緣補充零，從而保持輸出尺寸不變。
下圖顯示了使用 3x3 的卷積核和步長為1 進行卷積操作。
圖片
卷積層的作用
- 提取局部特征
- 通過共享權重減少參數數量
池化層
池化層用于對卷積層生成的特征圖進行下采樣，減少數據的空間維度和計算量，同時保留重要的特征。
常見的池化方法有最大池化和平均池化。
- 最大池化（Max Pooling）
最常用的池化方法。在局部區域內取最大值作為該區域的輸出。
例如，對于一個 2x2 的局部區域，最大池化會輸出這四個值中的最大值。 - 平均池化（Average Pooling）
在局部區域內取平均值作為輸出。
圖片
全連接層
全連接層通常位于卷積神經網絡的最后幾層，用于將卷積和池化層提取的特征進行整合，并輸出預測結果。
全連接層與傳統的神經網絡層類似，每一個節點與上一層的所有節點都有連接。通過這些連接，全連接層可以將前面提取的特征整合起來，并通過權重和偏置項計算出最終的輸出。
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
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示例代碼。
import tensorflow as tf
from tensorflow.keras import layers, models
from tensorflow.keras.datasets import mnist
import matplotlib.pyplot as plt
# 加載MNIST數據集
(train_images, train_labels), (test_images, test_labels) = mnist.load_data()
train_images = train_images.reshape((60000, 28, 28, 1)).astype('float32') / 255
test_images = test_images.reshape((10000, 28, 28, 1)).astype('float32') / 255
train_labels = tf.keras.utils.to_categorical(train_labels)
test_labels = tf.keras.utils.to_categorical(test_labels)
# 構建CNN模型
model = models.Sequential()
# 第一個卷積層，32 個濾波器，3x3 濾波器尺寸，ReLU激活函數
model.add(layers.Conv2D(32, (3, 3), activatinotallow='relu', input_shape=(28, 28, 1)))
# 第二個卷積層，64 個濾波器
model.add(layers.Conv2D(64, (3, 3), activatinotallow='relu'))
# 池化層，2x2 池化
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Dropout(0.25))
# 將多維特征圖展平
model.add(layers.Flatten())
# 全連接層，128個神經元
model.add(layers.Dense(128, activatinotallow='relu'))
model.add(layers.Dropout(0.5))
model.add(layers.Dense(10, activatinotallow='softmax'))
model.compile(optimizer='adam',
loss='categorical_crossentropy',
metrics=['accuracy'])
history = model.fit(train_images, train_labels, epochs=5, batch_size=64, validation_split=0.1)
test_loss, test_acc = model.evaluate(test_images, test_labels)
print(f"Test accuracy: {test_acc}")
# 繪制訓練過程中的準確率和損失
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.legend()
plt.title('Training and Validation Accuracy')
plt.subplot(1, 2, 2)
plt.plot(history.history['loss'], label='Training Loss')
plt.plot(history.history['val_loss'], label='Validation Loss')
plt.legend()
plt.title('Training and Validation Loss')
plt.show()
圖片
責任編輯：武曉燕
來源：
程序員學長
