卷積神經網絡（CNN 或 ConvNet）是一種直接從數據中學習的深度學習網絡架構。 CNN 特別適合在圖像中尋找模式以識別對象、類和類別。它們也能很好地對音頻、時間序列和信號數據進行分類。

CNN 的工作原理

一個卷積神經網絡可以有數十層乃至數百層，每層都學習檢測圖像的不同特征。將不同分辨率的濾波器應用于每個訓練圖像，每個卷積后圖像的輸出會成為下一層的輸入。濾波器可以從非常簡單的特征開始，例如亮度和邊緣，然后越來越復雜，直到可以唯一定義目標的特征為止。

什么是卷積神經網絡？ CNN 的工作原理是什么？

特征學習、層和分類 CNN 由一個輸入層、一個輸出層和中間的多個隱藏層組成。

這些層會執行運算以更改數據，目的是學習特定于數據的特征。卷積層、激活層（即 ReLU 層）和池化層是三種最常見的層。

卷積層將一組卷積濾波器應用于輸入圖像，每個濾波器激活圖像中的特定特征。

修正線性單元 (ReLU) 層將負值映射到零，同時保持正值不變，讓訓練更快、更高效。該層有時也稱為激活層，因為只有激活的特征才會傳遞給下一層。

池化層執行非線性下采樣，減少網絡需要學習的參數個數，從而簡化輸出。

這些操作在數十層或數百層上反復進行，每一層都學習識別不同的特征。 一個包含大量卷積層的網絡。將不同分辨率的濾波器應用于每個訓練圖像，每個卷積后圖像的輸出會成為下一層的輸入。

共享權重和偏置 與傳統神經網絡不同的是，CNN 具有共享的權重和偏置值。這些值對于給定層中的所有隱藏神經元均相同。 這意味著所有隱藏神經元會在圖像的不同區域檢測相同的特征，例如邊緣或斑點。因此，網絡容許圖像中的目標有一定的平移。例如，對于一個汽車識別網絡，無論汽車出現在圖像何處，網絡都能進行識別。 分類層 通過多個層學習特征后，CNN 的架構轉向分類。 倒數第二層是一個全連接層，它輸出一個 K 維向量（其中 K 是網絡能夠預測的類的數量），并包含圖像被分到各個類的概率。 CNN 架構的最后一層使用分類層來提供最終分類輸出。

CNN 為何重要

CNN 架構非常適合用來揭示和學習圖像和時間序列數據中的關鍵特征。CNN 是以下應用中的關鍵技術： 醫學成像：CNN 可以檢查成千上萬份病理報告，以視覺方法檢測圖像中是否存在癌細胞。 信號處理：只要設備帶有麥克風，就可以進行關鍵字檢測，檢測到用戶說出的特定字詞（如“嘿 Siri”）。CNN 可以在各種環境下準確地學習和檢測關鍵字，同時忽略所有其他字詞。 目標檢測：自動駕駛依靠 CNN 來準確檢測標志或其他目標的存在，并根據輸出作出決策。 合成數據生成：使用生成對抗網絡 (GAN) 可以生成新圖像，用于深度學習應用，包括人臉識別和自動駕駛。

何時使用 CNN？ 當您有大量復雜數據（例如圖像數據）時，可以考慮使用 CNN。您還可以使用 CNN 處理針對網絡結構預處理過的信號或時間序列數據。 考慮使用預訓練模型 使用 CNN 時，工程師和科學家們更喜歡從一個預訓練的模型開始，使用新數據集來讓該模型學習和識別其中的特征。 您可以使用 GoogLeNet、AlexNet 和 Inception 等模型作為起點，利用專家構建的、經過驗證的架構來探索深度學習。

用 MATLAB 實現 CNN

借助 MATLAB 和 Deep Learning Toolbox，您能夠設計、訓練和部署 CNN。 設計和訓練網絡 使用深度網絡設計器，您可以導入預訓練模型或從頭構建新模型。 您還可以直接在該 App 中訓練網絡，并使用準確度、損失和驗證指標圖來監控訓練。

深度網絡設計器，用于交互式構建、可視化和編輯深度學習網絡。

使用預訓練模型進行遷移學習 通常來說，使用遷移學習對預訓練網絡進行微調比從頭開始訓練更快、更輕松。它只需要很少的數據和計算資源。遷移學習使用某一類問題的相關知識來解決與之類似的問題。該方法以一個預訓練網絡作為起點，利用它學習新任務。遷移學習的優點是預訓練網絡已學習了一系列豐富的特征。例如，以一個基于數百萬個圖像訓練過的網絡為起點，只需再用幾百個圖像重新訓練，網絡就能對新目標進行分類。

使用 GPU 進行硬件加速 卷積神經網絡是基于數百、數千甚至數百萬個圖像進行訓練的。在對大量數據和復雜網絡架構進行處理時，GPU 可以顯著縮短訓練模型所需的處理時間。

?

編輯：黃飛