浅谈基于CNN卷积神经网络的图像识别

浅谈基于CNN卷积神经⽹络的图像识别

⽬录

前⾔

卷积神经⽹络（CNN，有时被称为 ConvNet）是很吸引⼈的。在短时间内，它们变成了⼀种颠覆性的技术，打破了从⽂本、视频到语⾳等多个领域所有最先进的算法，远远超出了其最初在图像处理的应⽤范围。

⼀、卷积神经⽹络（CNN）是什么？

CNN 由许多神经⽹络层组成。卷积和池化这两种不同类型的层通常是交替的。⽹络中每个滤波器的深度从左到右增加。最后通常由⼀个或多个全连接的层组成。

下⾯我将逐层分析，带你简单直观地了解CNN

⼆、CNN的层次结构

贾成炳1.输⼊层

CNN的输⼊层与传统神经⽹络类似

乔榛近况特别的：⽤于图像识别时，输⼊层的输⼊数据应转化为四维数组

2.卷积层

卷积层由输⼊数据（上⼀层的输出经过激活函数后的数据），卷积核组成

其中卷积核相当于⼀个滤波器，即将图像数组中的特征值抽样出来。

如下：卷积核⼤⼩为2*2，则每次抽样2*2个像素点

代码如下：

model.add(Convolution2D(人文主义者

input_shape = (28,28,1),#输⼊平⾯

filters = 32,#卷积核/滤波器个数

kernel_size = 5,#卷积窗⼝⼤⼩

strides = 1,#步长

padding = 'same',#padding⽅式sanme/valid

activation = 'relu'

))清原百事通

3.池化层

池化的作⽤简单来说就是将图像进⼀步压缩，把特征值进⼀步放⼤。代码如下：

model.add(MaxPooling2D(

朱霞石pool_size = 2,

strides = 2,

padding = 'same'

))#将特征图⼤⼩/2数字温度传感器

参考⽂章：

本文发布于:2024-09-22 07:02:49，感谢您对本站的认可！

标签：卷积神经特征值组成数组

留言与评论（共有 0 条评论）