Python计算机视觉和自然语言处理

第5章　计算机视觉中的卷积神经网络

学习目标

阅读完本章之后，你将能够：

• 解释卷积神经网络的工作原理；
• 构建卷积神经网络；
• 利用数据增强来改进模型；
• 通过迁移学习使用最先进的模型。

5.1　简介

上一章介绍了如何训练神经网络来预测数值，也介绍了具有特定架构的循环神经网络（RNN）在各种场景下的应用。本章会探讨卷积神经网络（CNN）是如何按照和全连接神经网络相似的原理进行工作的。

CNN中包含一些神经元，这些神经元的权重和偏置会在训练期间更新。CNN主要用于进行图像处理，图像会被解释为一些像素，而CNN会输出它认为图像最可能属于的类别，并且会利用损失函数计算每个输出结果对应的误差。

通过假定神经网络输入的是一个图像，或者近似一个图像，CNN会具有更高的效率，远比深度神经网络更快、更好。下面几节会更详细地介绍CNN。

5.2　CNN基础

本节介绍CNN的工作原理，并解释图像卷积操作的过程。

图像是由像素构成的，例如，一个RGB图像具有3个通道，每种颜色（红、绿、蓝）分别为一个通道，每个通道中包含同样大小的一组像素。全连接神经网络不会表示出通道的这层结构，而是会使用一个维度来表示，这是不够的。此外，在全连接神经网络中，每一层中的每个神经元都会连接到下一层中的所有神经元，从而造成性能较差，即训练花费的时间会更长，同时结果也不会很好。

CNN是一种对图像分类和图像识别之类的任务非常有效的神经网络，并且在音频和文本数据上的效果也很不错。和普通的神经网络一样，CNN由一个输入层、一些隐藏层和一个输出层构成。输入层和隐藏层通常包括卷积层（convolutional layer）、池化层（pooling layer，用来减小输入在空间上的大小）和全连接层（在第2章中已经介绍了）。卷积层和池化层会在本章稍后部分介绍。 ...