織夢dedecms藍色風格挖掘機機械工業(yè)公司網站模板(自適應手機移動端)

時間：2023-06-12 20:42:01 | 來源：網站運營

時間：2023-06-12 20:42:01 來源：網站運營

織夢dedecms藍色風格挖掘機機械工業(yè)公司網站模板(自適應手機移動端)：織夢dedecms藍色風格挖掘機機械工業(yè)公司網站模板(自適應手機移動端)

本程序采用一庫兩站簡潔方便管理后臺，一個后臺管理兩網站，電腦版+手機版

1、網站手工DIV+css，代碼精簡，首頁排版整潔大方、布局合理、利于SEO、圖文并茂、靜態(tài)HTML；
2、程序自帶XML地圖，有利于搜索引擎快速收錄和排名

文件：n459.com/file/25127180-477627720

以下內容無關：

-------------------------------------------分割線---------------------------------------------

一、定義

卷積神經網絡（Convolutional Neural Networks）是一種深度學習模型或類似于人工神經網絡的多層感知器，常用來分析視覺圖像。其創(chuàng)始人Yann LeCun是第一個通過卷積神經網絡在MNIST數據集上解決手寫數字問題的人。
二、CNN靈感來源？
人類的視覺原理如下：從原始信號攝入開始（瞳孔攝入像素 Pixels），接著做初步處理（大腦皮層某些細胞發(fā)現邊緣和方向），然后抽象（大腦判定，眼前的物體的形狀，是圓形的），然后進一步抽象（大腦進一步判定該物體是只氣球）。
人腦進行人臉識別示例


對于不同的物體，人類視覺也是通過這樣逐層分級，來進行如下認知的。
人類視覺識別示例


在最底層特征基本上是類似的，就是各種邊緣，越往上，越能提取出此類物體的一些特征（輪子、眼睛、軀干等），到最上層，不同的高級特征最終組合成相應的圖像，從而能夠讓人類準確的區(qū)分不同的物體。于是便模仿人類大腦的這個特點，構造多層的神經網絡，較低層的識別初級的圖像特征，若干底層特征組成更上一層特征，最終通過多個層級的組合，最終在頂層做出分類。
三、卷積神經網絡解決了什么？
概括來說就是保留圖像特征，參數降維，復雜參數簡單化。
圖像像素RGB




眾所周知，圖像是由像素構成的，每個像素又是由顏色構成的?，F在隨隨便便一張圖片都是 1000×1000 像素以上的， 每個像素都有RGB 3個參數來表示顏色信息。
假如我們處理一張 1000×1000 像素的圖片，我們就需要處理3百萬個參數！1000×1000×3=3,000,000
這么大量的數據處理起來是非常消耗資源的，卷積神經網絡 – CNN 解決的第一個問題就是「將復雜問題簡化」，把大量參數降維成少量參數，再做處理。
更重要的是：我們在大部分場景下，降維并不會影響結果。比如1000像素的圖片縮小成200像素，并不影響肉眼認出來圖片中是一只貓還是一只狗，機器也是如此。
圖片數字化的傳統(tǒng)方式



圖像簡單數字化無法保留圖像特征，如上圖假如有圓形是1，沒有圓形是0，那么圓形的位置不同就會產生完全不同的數據表達。但是從視覺的角度來看，圖像的內容（本質）并沒有發(fā)生變化，只是位置發(fā)生了變化。所以當我們移動圖像中的物體，用傳統(tǒng)的方式的得出來的參數會差異很大！這是不符合圖像處理的要求的。而 CNN 解決了這個問題，他用類似視覺的方式【模仿人類大腦視覺原理，構造多層的神經網絡，較低層的識別初級的圖像特征，若干底層特征組成更上一層特征，最終通過多個層級的組合，最終在頂層做出分類】保留了圖像的特征，當圖像做翻轉，旋轉或者變換位置時，它也能有效的識別出來是類似的圖像。
四、卷積神經網絡的架構



典型的 CNN 由卷積層、池化層、全連接層3個部分構成：
典型CNN組成部分



更為完善的也有分為如下五個層級結構：
1、數據輸入層：Input layer
2、卷積計算層：CONV layer
3、ReLU激勵層：ReLU layer
4、池化層：Pooling layer
5、全連接層：FC layer
五、數據輸入層
數據輸入層主要是對原始圖形數據進行數據預處理，包括去均值、歸一化、PCA/白化。
去均值：
把輸入數據各個維度都中心化為0，如下圖所示，其目的就是把樣本的中心拉回到坐標系原點上。
歸一化：幅度歸一化到同樣的范圍，如下所示，即減少各維度數據取值范圍的差異而帶來的干擾，比如，我們有兩個維度的特征A和B，A范圍是0到10，而B范圍是0到10000，如果直接使用這兩個特征是有問題的，好的做法就是歸一化，即A和B的數據都變?yōu)?到1的范圍。
PCA/白化：
用PCA降維度，白化是對數據各個特征軸上的幅度歸一化。
去均值&歸一化效果圖


去相關與白化效果圖



六、卷積計算層
卷積層有兩個重要的操作，一個是局部關聯(lián)，每個神經元看做一個濾波器filter；另一個是窗口滑動，filter對局部數據計算。
卷積層的運算過程如下圖，用一個卷積核掃完整張圖片：
卷積層動態(tài)運算圖



卷積層的運算過程，可以當做使用一個過濾器(卷積核)來過濾圖像的各個小區(qū)域，從而得到這些小區(qū)域的特征值，即卷積層通過卷積核的過濾提取出圖片中局部的特征。
卷積層運算圖




卷積層計算過程動圖



七、激勵層
激勵層是把卷積層輸出結果做非線性映射。CNN采用的激勵函數一般為ReLU（The Rectified Linear Unit/修正線性單元）。




八、池化層
池化層在連續(xù)的卷積層中間，其用于壓縮數據和參數的量，減少過擬合。最重要的作用就是保持特性不變，壓縮圖像，降低數據維度。




池化層用的方法有Max pooling 和 average pooling，而實際用的較多的是Max pooling。Max pooling思想：對于每個2 * 2的窗口選出最大的數作為輸出矩陣的相應元素的值，比如輸入矩陣第一個2 * 2窗口中最大的數是6，那么輸出矩陣的第一個元素就是6，如此類推，保持特征不變地降低維度。
Max pooling圖




動態(tài)池化圖



我們可以看到動態(tài)池化圖中，原始圖片是20×20的，我們對其進行下采樣，采樣窗口為10×10，最終將其下采樣成為一個2×2大小的特征圖。
九、全連接層
全連接層在卷積神經網絡尾部，該層負責輸出結果，是最后一步。其跟傳統(tǒng)的神經網絡神經元的連接方式一樣。
全連接層連接方式



十、CNN實際應用場景
圖像分類/檢索、目標定位檢測、目標分割、人臉識別、骨骼識別等。