人工智能应用基础 课件 任务5 卷积神经网络-猫狗分类

任务5

卷积神经网络—猫狗分类任务5

卷积神经网络—猫狗分类0102机器学习分类卷积神经网络概述一、机器学习分类1、监督学习监督学习是指已知样本的结果（比如考试答案，生产结果等），使其达到所要求性能或结果的过程，主要任务是通过标记的训练数据来推断一个其中对应的功能，其训练数据包括类别信息（数据标签和特征），如图所示有一个样本唐老鸭和根据它的特征定义的模型，从而得出结果是它属于鸭子类。线性回归属于监督学习。一、机器学习分类2、非监督学习非监督学习也称为无监督学习，其样本中只含有特征，不包含标签信息，因此在训练时并不知道分类的结果是否正确。如图所示，有一群小动物没有任何标签，让机器自己学习来对小动物进行归类，把有相似特征的归属于一类，把五个小动物分为了两组一组有鸭子的特征，另一组包含的是其他动物。一、机器学习分类2、非监督学习当有新数据（另一个鸭子）来的时候会把预测模型拿出来比对，对他进行归类。如图所示，它属于鸭子类。二、卷积神经网络概述CNN可以应用在场景分类，图像分类，现在还可以应用到自然语言处理(NLP)方面的很多问题，比如句子分类等。下面如图是一个简单的CNN结构，这个网络结构是用于一个四类分类的问题，分别是狗、猫、船和鸟，图中的输入图片是属于船一类。二、卷积神经网络概述1、输入层输入层负责神经网络的数据输入，例如在处理图像时，输入层代表图片的像素矩阵。在卷积神经网络中用三维张量类型表示（Length，Width，Channel），Length和Width代表图像大小尺寸，Channel代表图像的色彩通道，例如黑白图像的深度为1，彩色图像（RGB色彩模式）的深度为3。二、卷积神经网络概述2、卷积层卷积层也被称为过滤器或者内核，在卷积层中通过一块块卷积核（ConventionalKernel）在原始图像上平移来提取特征，卷积层中每个节点的输入是上一层的一小块数据，卷积层将神经网络中每一块数据进行深入分析，提取特征，得到特征映射。通常卷积层处理过的节点矩阵会变深。二、卷积神经网络概述2、卷积层不同的卷积核可以处理不同问题，如图所示，使用卷积操作实现辣椒边缘检测。在卷积层提取数据特征进行的操作叫作卷积运算，如图所示，卷积运算对两个输入张量（输入和卷积核）进行卷积，并输出一个代表来自每个输入的信息的张量。二、卷积神经网络概述3、激励层激励层使用激活函数为神经网络引入非线性，非线性意味着输入和输出的关系是一条曲线，能够刻画输入中更为复杂的变化。在搭建CNN时主要使用tf.nn.relu（修正线性单元）。评价某个激活函数是否有用时，主要考虑以下两个因素：函数是单调的，这样输出便会随着输入的增长而增长，使利用梯度下降法寻找局部极值点成为可能。函数是可微分的，保证该函数定义域内的任意一点上导数都存在，使梯度下降法能够正常使用来自这类激活函数的输出。12二、卷积神经网络概述4、池化层使用池化层既可以加快计算速度也有防止过拟合问题的作用。和卷积层类似，池化层前向传播的过程也是通过移动一个类似过滤器的结构完成的，池化层使用最大值计算的操作叫作最大池化层（max-pooling），使用平均值计算的操作叫作平均池化层（mean-pooling）。二、卷积神经网络概述4、池化层图中有一个4×4的平面，使用2×2的过滤器且步长为2进行池化。使用最大池化操作过滤器筛选出每次中的最大数值，使用平均池化操作过滤器将所有数据累加求取平均值作为池化特征结果。最大池化通常使用2×2的卷积核，主要原因在于它是在单个通路上能够实施的最小数量的降采样，若使用1×1的卷积核，则输出与输入相同。平均池化用于当整个卷积核都非常重要时，若需实现值的缩减，平均池化非常有效。二、卷积神经网络概述5、全连接层全连接层每一个神经元都和上一层所有神经元相连，主要通过激活函数实现预测分类，经过多次卷积层和池化层的处理后，此时数据中的信息已经抽象成了信息含量更高的特征，在卷积神经网络的最后通常由1到2个全连接层完成分类任务。三、任务实施猫狗分类使用CIFAR10数据集，CIFAR10数据集包含60,00