大家好，我是小寒

今天給大家介紹一個(gè)強(qiáng)大的算法模型，CNN

卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network, CNN）是一類特別適合處理圖像數(shù)據(jù)的深度學(xué)習(xí)模型。它們通過模擬生物視覺系統(tǒng)的處理方式，能夠自動(dòng)學(xué)習(xí)和提取圖像中的特征。

CNN 由一系列層組成，每層都旨在從輸入數(shù)據(jù)中提取越來越復(fù)雜的特征，使其非常適合圖像分類、對(duì)象檢測(cè)和圖像生成等任務(wù)。

圖片

CNN 的核心組件

CNN 主要由卷積層（Convolutional Layer）、池化層（Pooling Layer）和全連接層（Fully Connected Layer）構(gòu)成。

1.卷積層

卷積層是 CNN 的核心組件，用于從輸入數(shù)據(jù)中提取局部特征。

它通過卷積操作，將一個(gè)小的濾波器（或卷積核）應(yīng)用到輸入圖像的不同區(qū)域，以捕捉局部的空間特征。

每個(gè)卷積核在輸入數(shù)據(jù)上滑動(dòng)，并計(jì)算其與輸入數(shù)據(jù)的局部區(qū)域的點(diǎn)積，這個(gè)操作生成一個(gè)特征圖（Feature Map）。

圖片

1.1 過濾器/卷積核

過濾器/卷積核是檢測(cè)輸入數(shù)據(jù)中特定特征（如邊緣、紋理或圖案）的小矩陣。

網(wǎng)絡(luò)在訓(xùn)練期間學(xué)習(xí)這些過濾器，每個(gè)過濾器負(fù)責(zé)檢測(cè)不同的特征。

圖片

1.2 步幅

卷積核在輸入圖像上移動(dòng)的步長。步幅為 1 表示卷積核每次移動(dòng)一個(gè)像素。

2.池化層

池化層用于對(duì)特征圖進(jìn)行下采樣，減少特征圖的尺寸，從而降低計(jì)算量和減少過擬合。

池化操作通常選擇局部區(qū)域的最大值（最大池化）或平均值（平均池化），從而減少信息冗余。

2.1 最大池化

最大池化是一種提取局部區(qū)域中最顯著特征的操作。

在一個(gè)指定大小的池化窗口內(nèi)，最大池化保留該區(qū)域中最大的數(shù)值，而忽略其他數(shù)值。

最大池化的效果是保留重要特征（如邊緣、亮度等），同時(shí)減少數(shù)據(jù)的維度。

圖片

2.2 平均池化

另一方面，平均池化是對(duì)池化窗口內(nèi)的所有值取平均值，從而得到一個(gè)代表性數(shù)值。

與最大池化不同，平均池化保留了池化窗口內(nèi)所有數(shù)值的信息，這使得它在某些應(yīng)用中可以捕捉到更多的上下文信息。

圖片

3.全連接層

全連接層是卷積神經(jīng)網(wǎng)絡(luò)的重要組成部分，它將前一層（通常是卷積層或池化層）的輸出展平成一維向量，然后通過線性變換和激活函數(shù)進(jìn)行處理。

全連接層的每個(gè)神經(jīng)元與前一層的所有神經(jīng)元相連接，因此稱為“全連接”。

全連接層的主要作用是將前面提取到的特征進(jìn)行進(jìn)一步組合和處理，從而得出最終的輸出（如分類結(jié)果）。

3.1 扁平化

扁平化將二維或三維特征圖轉(zhuǎn)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

3.2 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(zhí)行最終的分類或回歸任務(wù)。

圖片

案例分享

下面是一個(gè)使用卷積神經(jīng)網(wǎng)絡(luò)（CNN）進(jìn)行手寫數(shù)字識(shí)別的案例代碼。

import tensorflow as tf
from tensorflow.keras import datasets, layers, models
import matplotlib.pyplot as plt

# 加載 MNIST 數(shù)據(jù)集
(train_images, train_labels), (test_images, test_labels) = datasets.mnist.load_data()
train_images, test_images = train_images / 255.0, test_images / 255.0
train_images = train_images.reshape((train_images.shape[0], 28, 28, 1))
test_images = test_images.reshape((test_images.shape[0], 28, 28, 1))

# 構(gòu)建 CNN 模型
model = models.Sequential([
    layers.Conv2D(32, (3, 3), activatinotallow='relu', input_shape=(28, 28, 1)),
    layers.MaxPooling2D((2, 2)),
    layers.Conv2D(64, (3, 3), activatinotallow='relu'),
    layers.MaxPooling2D((2, 2)),
    layers.Conv2D(64, (3, 3), activatinotallow='relu'),
    layers.Flatten(),
    layers.Dense(64, activatinotallow='relu'),
    layers.Dense(10, activatinotallow='softmax')
])

# 編譯模型
model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

# 訓(xùn)練模型
history = model.fit(train_images, train_labels, epochs=5, 
                    validation_data=(test_images, test_labels))

# 評(píng)估模型
test_loss, test_acc = model.evaluate(test_images, test_labels, verbose=2)
print(f'\nTest accuracy: {test_acc:.4f}')

# 繪制訓(xùn)練過程中的準(zhǔn)確率
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.xlabel('Epoch')
plt.ylabel('Accuracy')
plt.legend()
plt.title('Accuracy Over Time')
plt.show()

圖片