机器学习——卷积神经网络（CNN）

相关文章链接

        机器学习——人工神经网络（NN）

        机器学习——循环神经网络（RNN）

        机器学习——长短期记忆（LSTM）

        机器学习——决策树（decision tree）

        机器学习——随机森林（Random forest）

        机器学习——梯度提升决策树（GBDT）

        机器学习——XGboost模型

卷积神经网络（CNN）

一、卷积神经网络定义

卷积神经网络（Convolutional Neural Networks, CNN）是一类包含卷积计算且具有深度结构的前馈神经网络（Feedforward Neural Networks），是深度学习（deep learning）的代表算法之一。卷积神经网络具有表征学习（representation learning）能力，能够按其阶层结构对输入信息进行平移不变分类（shift-invariant classification），因此也被称为“平移不变人工神经网络（Shift-Invariant Artificial Neural Networks, SIANN）”。

简而言之，卷积神经网络（Convolutional Neural Networks）是一种深度学习模型或类似于人工神经网络的多层感知器，常用来分析视觉图像。

二、卷积神经网络的特点

（1）能够有效的将大数据量的图片降维成小数据量。

（2）能够有效的保留图片特征，符合图片处理的原则。

三、卷积神经网络的层级架构

传统神经网络

 卷积神经网络

一个卷积神经网络主要由以下5层组成：

1、数据输入层（Input Layer）：该层要做的处理主要是对原始图像数据进行预处理。

2、卷积层（Convolutional layer）：卷积层通过卷积核的过滤提取出图片中局部的特征

卷积层的运算过程

3、线性整流层（ReLu Layer）：这一层神经的活性化函数（Activation function）使用线性整流（Rectified Linear Units, ReLU）f(x)=max(0,x)。

4、池化层（Pooling layer）：池化（pool）即下采样（down samples），目的是为了减少特征图。池化层夹在连续的卷积层中间，用于压缩数据和参数的量，减小过度拟合。简而言之，如果输入的是图像的话，那么池化层的最主要作用就是压缩图像。

5、全连接层（Fully-Connected layer）：把所有局部特征结合变成全局特征。经过卷积层和池化层降维过的数据，全连接层才能“跑得动”，不然数据量太大，计算成本高，效率低下。

四、卷积神经网络的优缺点

优点：

1. 共享卷积核，对高维数据处理无压力
2. 无需手动选取特征值，特征分类效果好

缺点：

1. 需要调参，需要大样本量，训练最好要GPU
2. 物理含义不明确（不知道每个卷积层到底提取的是什么特征，而且神经网络本身就是一种难以解释的“黑箱模型”）

五、卷积神经网络的实际应用

（1）图像分类、检索。如：图像搜索等。

（2）目标定位检测。可以在图像中定位目标，并确定目标的位置及大小，如：自动驾驶、安防、医疗等。

（3）目标分割。对前景和背景进行像素级的区分，如美图秀秀、视频后期加工、图像生成等。

（4）人脸识别。

（5）骨骼识别。可以识别身体的关键骨骼，以及追踪骨骼的动作，如电影、图像视频生成、游戏等。