卷積神經網絡(CNN)–幾乎聽起來像是生物學，藝術和數學的融合。
由CNN驅動的深度學習模型現在無處不在，你會發現它們已散布到全球的各種計算機視覺應用程式中。就像XGBoost和其他流行的機器學習算法一樣，卷積神經網絡通過黑客馬拉松(2012年ImageNet競賽)進入了公衆的意識。
從那時起，這些神經網絡就如火一樣吸引了靈感，并擴充到各個研究領域。以下是一些使用CNN的流行計算機視覺應用程式：
- 面部識别系統
- 通過文檔分析和解析
- 智慧城市(例如交通攝像頭)
- 推薦系統，以及其他用例
但是，為什麼卷積神經網絡能很好地工作呢？與傳統的人工神經網絡相比，它的性能如何？為何深度學習專家喜歡它？
要回答這些問題，我們必須了解CNN實際上是如何運作的。在本文中，我們将研究CNN模型背後的數學原理。
神經網絡導論
神經網絡是所有深度學習算法的核心。但是，在深入研究這些算法之前，對神經網絡的概念有一個很好的了解是很重要的。
這些神經網絡試圖模仿人腦及其學習過程。就像大腦接受輸入，對其進行處理并生成一些輸出一樣，神經網絡也是如此。
這三個動作- 接收輸入，處理資訊，生成輸出 -在神經網絡中以層的形式表示-輸入，隐藏和輸出。以下是神經網絡的骨架：
這些層中的各個單元稱為神經元。神經網絡的完整訓練過程包括兩個步驟。
1.正向傳播
圖像以數字形式輸入到輸入層。這些數值表示圖像中像素的強度。隐藏層中的神經元對這些值應用了一些數學運算(我們将在本文稍後讨論)。
為了執行這些數學運算，需要随機初始化某些參數值。将這些數學運算釋出到隐藏層後，結果将發送到生成最終預測的輸出層。
2.向後傳播
生成輸出後，下一步就是将輸出與實際值進行比較。根據最終輸出以及該值與實際值(錯誤)的接近或相距遠近，将更新參數的值。使用更新的參數值重複進行前向傳播過程，并生成新的輸出。
這是任何神經網絡算法的基礎。在本文中，我們将研究卷積神經網絡的向前和向後傳播步驟！
卷積神經網絡(CNN)架構
考慮一下–您需要在兩個給定的圖像中識别對象。您将如何去做？通常，您将觀察圖像，嘗試從圖像中識别出不同的特征，形狀和邊緣。根據收集到的資訊，您可以說該物體是狗或汽車等。
這正是CNN中的隐藏層所做的–查找圖像中的特征。卷積神經網絡可以分為兩部分：
- 卷積層：從輸入中提取特征
- 完全連接配接的(密集)層：使用卷積層中的資料生成輸出
正如我們在上一節中讨論的那樣，任何神經網絡的訓練都涉及兩個重要過程：
- 正向傳播：接收輸入資料，處理資訊并生成輸出
- 向後傳播：計算誤差并更新網絡參數
我們将一一介紹這兩個方面。讓我們從正向傳播過程開始。
卷積神經網絡(CNN)：正向傳播
卷積層
您知道我們如何看待圖像并識别物體的形狀和邊緣嗎？卷積神經網絡通過比較像素值來做到這一點。
下面是數字8的圖像以及該圖像的像素值。仔細看看圖像。您會注意到，數字邊緣周圍的像素值之間存在顯着差異。是以，識别邊緣的簡單方法是比較相鄰像素值。
卷積通常在數學上用星号*表示。如果我們有一個表示為X的輸入圖像和一個表示為f的濾鏡，則表達式為：
Z = X * f
讓我們用一個簡單的例子來了解卷積的過程。考慮我們有一個尺寸為3 x 3的圖像和一個尺寸為2 x 2的濾鏡：
過濾器周遊圖像塊，執行逐元素乘法，然後将值相加：
(1x1 + 7x1 + 11x0 + 1x1)= 9(7x1 + 2x1 + 1x0 + 23x1)= 32(11x1 + 1x1 + 2x0 + 2x1)= 14(1x1 + 23x1 + 2x0 + 2x1)= 26
仔細看看，您會發現濾鏡一次隻考慮一小部分圖像。我們還可以将其想象成分解為較小更新檔的單個圖像，每個更新檔都與濾鏡卷積。
在上面的示例中，我們有一個形狀為(3，3)的輸入和一個形狀為(2，2)的過濾器。由于圖像和濾鏡的尺寸很小，是以很容易解釋輸出矩陣的形狀為(2，2)。但是，如何為更複雜的輸入或過濾器尺寸找到輸出的形狀？有一個簡單的公式可以做到這一點：
圖檔尺寸=(n，n)過濾器尺寸=(f，f) 輸出的尺寸為((n-f + 1)，(n-f + 1))