深度学习-图片识别原理-CNN
对于给定的一张图片， CNN是如何识别的：首先， 把图片分成 N * N 的像素， 每一个像素代表一个神经元， 所有的像素排成一排， 作为第一层的神经网络， 也就是输入层， 只有输入层的数据是已知的， 用于产生隐藏层的第一层。其次， 隐藏层的第一层， 用于识别边或棱， 也就是说，当第一场的像素输入后， 产生图像的边或棱。也就是只能识别图像最微不足道的地方。然后， 隐藏层的第一层作为隐藏层的第二层的
·
对于给定的一张图片， CNN是如何识别的：
- 首先， 把图片分成 N * N 的像素， 每一个像素代表一个神经元， 所有的像素排成一排， 作为第一层的神经网络， 也就是输入层， 只有输入层的数据是已知的， 用于产生隐藏层的第一层。
- 其次， 隐藏层的第一层， 用于识别边或棱， 也就是说，当第一场的像素输入后， 产生图像的边或棱。也就是只能识别图像最微不足道的地方。
- 然后， 隐藏层的第一层作为隐藏层的第二层的输入， 产生角和轮廓， 隐藏层的第二层产生了更详细的图像内容。
- 最后， 假设隐藏层一共有三层， 隐藏层的第二层作为隐藏层的第三层的输入， 产生了更详细的图片， 比如手， 头部特征。这些特征图片， 作为输出层的输入， 产生目标图像。
- 在构建整个网络用到， 感知器、损失函数、反向传播算法、学习率、过滤器、梯度下降、前向传播等基础知识。构建神经网络用到pytorch, numpy等深度学习库。
脑启社区是一个专注类脑智能领域的开发者社区。欢迎加入社区，共建类脑智能生态。社区为开发者提供了丰富的开源类脑工具软件、类脑算法模型及数据集、类脑知识库、类脑技术培训课程以及类脑应用案例等资源。
更多推荐
1
0- 0
已为社区贡献1条内容
所有评论(0)