奶爸为8岁女儿解读深度进修篇之：11个究竟

「神经收集就像数数一样简朴」，「卷积层只是一个蝙蝠信号灯」……在本文中，一位奶爸从手写数字辨认入手，用这样简朴的说话向本身 8 岁的女儿表明白一下「深度进修」。虽然，用这篇文章向女伴侣（假若有的话）科普本身的事变也是可以的。

呆板进修，尤其是深度进修是一个热点话题，你必定会在媒体上看到风行语「人工智能」。

然而，这些并非新观念。第一小我私人工神经收集（ANN）是在 40 年月引入的。那么为什么最近的热门话题都是关于神经收集和深度进修的呢？我们将在 GPU 和呆板进修的一系列博客文章中切磋这些观念。

在 80 年月，我记得我父亲构建了用于银行支票的字符辨认器材。搜查这么多差异范例的字迹真的是一件疾苦的事，由于他必要一个方程来顺应全部的变革。

在已往几年中，很明明，处理赏罚这类题目的最佳要领是通过卷积神经收集。人类计划的方程不再得当处理赏罚无穷的手写模式。

让我们来看看最经典的例子之一：构建一个数字辨认体系，一个辨认手写数字的神经收集。

究竟 1：神经收集就像数数一样简朴

我们起首计较最上面一行的赤色外形在每个玄色手写数字中呈现了屡次。

手写数字的简化矩阵

此刻让我们实行通过计较具有沟通赤色外形的匹配数来辨认（揣度）新的手写数字。然后我们将其与之前的表格举办较量，以确定这个数字与哪个数字有最强的关联：

匹配手写数字的外形

恭喜！你方才构建了天下上最简朴的神经收集体系，用于辨认手写数字。

究竟 2：图像只是一个矩阵

计较机将图像视为矩阵。一张利害图像是个 2D 矩阵。

我们来思量一张图像。为了简朴起见，我们拍摄一张数字 8 的小利害图像，方形尺寸为 28 像素。

矩阵的每个单位暗示从 0（暗示玄色）到 255（暗示纯白色像素）的像素强度。

因此，图像将暗示为以下 28×28 的像素矩阵。

手写数字 8 的图像和相干的强度矩阵

究竟 3：卷积层只是一个蝙蝠信号灯

为了确定图片中表现的图案（此处指手写数字 8），我们将行使一种蝙蝠信号灯/手电筒。在呆板进修中，手电筒被称为过滤器（filter）。该过滤器用于执行 Gimp 等常见图像处理赏罚软件顶用到的经典卷积矩阵计较。

过滤器将扫描图片，以便在图像中找到图案，并在匹配乐成时触发正反馈。它有点像儿童外形分类盒：三角形过滤器匹配三角形孔，方形过滤器匹配方孔等。

图像过滤器像儿童外形分类盒一样事变。

究竟 4：过滤器匹配是一项易并利用命

更科学地来讲，图像过滤进程看起来有点像下面的动画。如你所见，过滤器扫描的每个步调都是彼此独立的，这意味着此使命可以高度并行化。

要留意，数十个过滤器将同时运行，由于它们不彼此依靠。

https://github.com/vdumoulin

究竟 5：尽也许多次一再过滤操纵（矩阵卷积）

我们方才看到，输入图像/矩阵行使多个矩阵卷积举办过滤。

为了进步图像识此外精确率，只需以前一个操纵中获取过滤后的图像，然后一次又一次地过滤......

虽然，我们过度简化了一些工作，但凡是你行使的过滤器越多，按次序一再这个操纵的次数越多，你的功效就越准确。

这就像建设新的抽象层以得到更清楚的工具过滤器描写，从原始过滤器到看起来像边沿、轮子、正方形、立方体等的过滤器......

究竟 6：矩阵卷积只是乘、加运算

一图胜千言：下图是行使卷积过滤器（3×3）过滤的源图像（8×8）的简化视图。手电筒（此处为 Sobel Gx 过滤器）的投影提供一个值。

应用于输入矩阵的卷积过滤器（Sobel Gx）示例

（来历：https://datascience.stackexchange.com/questions/23183/why-convolutions-always-use-odd-numbers-as-filter-size/23186）

这就是这种要领的神奇之处，简朴的矩阵运算是高度并行化的，完全切合通用图形处理赏罚单位的用例。

究竟 7：必要简化和总结检测到的内容吗？只需行使 max()

我们必要总结过滤器检测到的内容，以便学到归纳综合性的常识。

为此，我们将对先前过滤操纵的输出举办采样。

此操纵称为池化或下采样，但现实上它是为了减小矩阵的巨细。

（编辑：湖南网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!