卷積神經網絡（CNN）是一類深度神經網絡。這是受人類大腦視覺皮層的啟發。每當我們看到某些東西時，一系列的神經元皮層就會被激活，每層都會檢測到一些特徵，如線條，邊緣（如垂直邊緣，水平邊緣）。
CNN廣泛用於 圖像識別 ， 圖像分類，對象檢測，人臉識別等。
過度簡化圖：
CNN的基本層： - C onvolution - Pooling - Flattening - Fully Connected Layer（Neural network）
卷積神經網絡
示例
瞭解這一點的一些先決條件：
計算機將輸入圖像視為像素數組，這取決於圖像的分辨率。根據圖像分辨率，可以看到 h * w * d（h =高度，w =寬度，d =維度）。
彩色圖像有 3個通道即 RGB，而黑/白圖像只有 一個通道。例如，24*24* 3陣列的 RGB矩陣圖像（3指RGB值）和一幅圖像為4 * 4 * 1陣列的灰度矩陣（b / w）圖像。
現在讓我們瞭解過濾器（卷積/特徵圖）：
要應用某些過濾器，我們需要將圖像與過濾器矩陣相乘。以下是標準過濾器及其矩陣表示的一些示例。
過濾器的重要性：
在自動駕駛汽車的情況下，邊緣檢測過濾器非常重要。
現在我們已經準備好了解CNN層及其工作原理。
卷積層（Convolution Layer）
卷積是從輸入圖像中提取特徵的第一層。這裡我們將輸入圖像與不同的卷積（過濾器）相乘以獲得具有提取特徵的新圖像。
例如：考慮一個6 * 6 * 3的圖像，這裡我們應用兩個尺寸為3 * 3 * 3的不同過濾器，輸出為4 * 4
輸出的公式：
- 輸入（Input）： n * n * nc
- 過濾器（Filter）： f * f * nc
- 填充（Padding）： p （本文後面部分介紹）
- 步幅（Stride）： s
Stride是輸入矩陣上的像素移位數。當步幅為1時，我們一次將過濾器移動到1個像素。當步幅為2時，我們一次將過濾器移動到2個像素，依此類推
- 輸出： [(n+2p-f)/s+1] *[(n+2p-f)/s+1] *nc'
例如：n = 6，p = 0，f = 3，s = 1，
[(6+(0*2)–3)/1+1]*[(6+(0*2)–3)/1+1]*3 = 4*4*3
nc是輸入和過濾器中的通道數，而nc'是過濾器的數量。
工作說明：
池化層（Pooling Layer）
當圖像太大時，池化層會減少參數的數量。它減少了每個映射的維度，但保留了重要信息。空間池化（Spatial pooling ）可以是不同類型的：
- 最大池化
- 均支池化
- 求和池化
最大池化從調整過的特徵映射中獲取最大元素。採用最大元素也可以採用均值池化。將特徵映射調用中的所有元素的和稱為求和池化。
最大池化
填充（padding）：
填充在輸入卷積的外部添加額外的0，以便卷積最終具有與輸入相同數量的輸出。如果我們不使用填充，則在每個卷積層之後，邊界處的信息將丟失，這將減小卷積的大小以及性能。
類型：有效填充，相同填充。
在有效填充中，與輸入相比，該特徵的維度降低，而在相同填充中，維度增加或保持相同。
零填充
展平（Flattening ）：
在應用了所有上述層後，我們得到矩陣形式的最終輸出，但神經網絡需要向量形式（1D）的輸入數據，因此我們需要將我們的池化的特徵映射展平成如下圖所示的列。
完全連接層（Fully connected Layer）（FC）：
在這裡，我們將展平數據提供給FC的輸入層（例如 x1，x2 ...）。我們在中間層應用ReLU等激活函數。
這裡基本的神經網絡工作發生像反向傳播，優化。
激活函數：
在中間層中，優選ReLu，而對於輸出層，則使用Softmax或sigmoid。
以下是部分代碼展示：
Importing the Libraries and Packages
from keras.models import Sequential
from keras.layers import Convolution2D
from keras.layers import MaxPooling2D
from keras.layers import Flatten
from keras.layers import Dense
創建神經網絡的第一步是使用keras中的順序類初始化網絡。
Initialising the CNN
model = Sequential()
Convolutional Layer
model.add(Convolution2D(filters = 32, kernel_size = (3, 3),
input_shape = (64, 64, 3),
activation = ‘relu’))
池化層
model.add(MaxPooling2D(pool_size = (2, 2)))
pool_size：池化窗口的形狀。
展平層
model.add(Flatten())
完全連接的層
Adding the Hidden layer
model.add(Dense(units = 128, activation = ‘relu’))
Adding the Output Layer
model.add(Dense(units = 1, activation = ‘sigmoid’))
編譯CNN
model.compile(optimiser = ‘adam’,loss = ‘binary_crossentropy’,metrics = [‘accuracy’])
重要提示：
如果訓練的數據非常少，那麼我們可以通過應用縮放，翻轉原始圖像和創建新圖像等操作從現有數據創建新數據。
Generating Image Data
from keras.preprocessing.image import ImageDataGenerator
train_datagen = ImageDataGenerator(rescale = 1./255,
shear_range = 0.1,
zoom_range = 0.2,
horizontal_flip = True)
test_datagen = ImageDataGenerator(rescale = 1./255)
閱讀更多 湃紳Python 的文章
