快速學會一個算法，CNN
大家好，我是小寒。
今天給大家分享一個超強的算法模型，卷積神經網絡
卷積神經網絡（Convolutional Neural Network, CNN）是一種專門用于處理數據具有網格結構的深度學習模型，特別是在圖像和視頻識別領域取得了顯著成功。
CNN 通過引入卷積層、池化層等特殊層，能夠有效提取數據的局部特征，同時減少參數量，提升訓練效率和模型的泛化能力。
圖片
CNN 的基本結構
CNN 主要由以下幾種層組成。
輸入層
顧名思義，它是我們的輸入圖像，可以是灰度或 RGB。每個圖像都由 0 到 255 范圍內的像素組成。我們需要對它們進行規范化，即將范圍轉換為 0 到 1 之間，然后再將其傳遞給模型。
下面是大小為 4*4 的輸入圖像的示例，該圖像具有 3 個通道，即 RGB 和像素值。
圖片
卷積層
卷積層是 CNN 的核心，通過卷積操作提取輸入數據的局部特征。
卷積操作通過一個或多個可學習的濾波器（也稱為卷積核）在輸入數據上滑動，計算內積來生成特征圖。
圖片
讓我們借助一個例子來理解這一點。為簡單起見，我們將采用具有標準化像素的 2D 輸入圖像。
圖片
在上圖中，我們有一個大小為 6 * 6 的輸入圖像，并在其上應用了 3*3 的過濾器來檢測一些特征。在這個例子中，我們只應用了一個過濾器，但實際上，會應用許多這樣的過濾器來從圖像中提取信息。
對圖像應用過濾器的結果是我們得到一個 4*4 的 Feature Map，它包含一些關于輸入圖像的信息。實際應用中會產生許多這樣的 Feature Map。
讓我們來了解一下上圖中特征圖（Feature Map）背后的一些數學知識。
圖片
如上圖所示，第一步是將濾器應用于圖像中綠色高亮部分，然后將圖像的像素值與過濾器的值相乘（如圖中使用線條所示），然后相加得到最終值。
下一步，過濾器將移動一列，如下圖所示。這種移動到下一列或行的過程稱為步幅，在本例中，我們采用步幅 1，這意味著我們將移動一列。
圖片
類似地，過濾器遍歷整個圖像，我們得到最終的特征圖。一旦我們得到特征圖，就會對其應用激活函數來引入非線性。
池化層
池化層應用于卷積層之后，用于減少特征圖的維度，這有助于保留輸入圖像的重要信息或特征并減少計算時間。
使用池化，可以創建一個較低分辨率的輸入版本，但仍然包含輸入圖像的較大或重要元素。
最常見的池化類型是最大池化（Max-Pooling）和平均池化（Avg-Pooling）。
圖片
圖片
全連接層
到目前為止，我們已經完成了特征提取步驟，現在進入分類部分。
全連接層（如 ANN 中的）用于將輸入圖像分類為標簽。
該層將從前面的步驟（即卷積層和池化層）中提取的信息連接到輸出層，并最終將輸入分類為所需的標簽。
圖片
案例代碼
下面是一個使用卷積神經網絡（CNN）對手寫數字進行識別的示例代碼。
import tensorflow as tf
from tensorflow.keras import datasets, layers, models
import matplotlib.pyplot as plt
# 加載并預處理 MNIST 數據集
(train_images, train_labels), (test_images, test_labels) = datasets.mnist.load_data()
# 重新調整圖像的形狀為 (28, 28, 1) 并歸一化像素值到 [0, 1] 之間
train_images = train_images.reshape((60000, 28, 28, 1)).astype('float32') / 255
test_images = test_images.reshape((10000, 28, 28, 1)).astype('float32') / 255
# 構建卷積神經網絡模型
model = models.Sequential()
model.add(layers.Conv2D(32, (3, 3), activatinotallow='relu', input_shape=(28, 28, 1)))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(64, (3, 3), activatinotallow='relu'))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(64, (3, 3), activatinotallow='relu'))
# 添加全連接層
model.add(layers.Flatten())
model.add(layers.Dense(64, activatinotallow='relu'))
model.add(layers.Dense(10, activatinotallow='softmax'))
# 編譯模型
model.compile(optimizer='adam',
loss='sparse_categorical_crossentropy',
metrics=['accuracy'])
# 訓練模型
history = model.fit(train_images, train_labels, epochs=5,
validation_data=(test_images, test_labels))
# 評估模型
test_loss, test_acc = model.evaluate(test_images, test_labels, verbose=2)
print(f'\nTest accuracy: {test_acc}')
