【AI】CNN 卷积神经网络 及图像识别举例

典型的 CNN 由3个部分构成：

1. 卷积层：卷积层负责提取图像中的局部特征；
2. 池化层：池化层用来大幅降低参数量级(降维)；
3. 全连接层：全连接层类似传统神经网络的部分，用来输出想要的结果。

1、卷积层

卷积层的作用：

1. 提取图像的特征，并且卷积核的权重是可以学习的，卷积操作能突破传统滤波器的限制，根据目标函数提取出想要的特征；
2. 参数共享（一个卷积核用来滤整个图像，而不是很多个卷积核），降低了网络参数，提升训练效率。

为什么卷积能够提取图像特征？

• 假设现在有一张图片，我们需要识别老鼠屁股上的这一片区域。

• 绿框内的图像值可能是这样的（当然，这并不是真正的灰度值）
  

• 而卷积核，本质上其实就是一个滤波器，可以看作是一个滤波器模板。在上图中，老鼠尾巴，就是我们要提取的特征，为了提取它，我们可以设置卷积核为下图：