在走進深度學習的過程中，最吸引作者的是一些用于給對象分類的模型。最新的科研結果表示，這類模型已經可以在實時視頻中對多個對象進行檢測。而這就要歸功于計算機視覺領域最新的技術革新。

眾所周知，在過去的幾年里，卷積神經網絡（CNN或ConvNet）在深度學習領域取得了許多重大突破，但對于大多數人而言，這個描述是相當不直觀的。因此，要了解模型取得了怎樣大的突破，我們應該先了解卷積神經網絡是怎樣工作的。

卷積神經網絡可以做些什么？

卷積神經網絡用于在圖像中尋找特征。在CNN的前幾層中，神經網絡可以進行簡單的“線條”和“角”的識別。我們也可以通過神經網絡向下傳遞進而識別更復雜的特征。這個屬性使得CNN能夠很好地識別圖像中的對象。

卷積神經網絡

CNN是一個包含各種層的神經網絡，其中一些層是卷積層、池化層、激活函數。

卷積層是如何工作的？

要了解CNN如何工作，你需要了解卷積。卷積涉及瀏覽圖像和應用濾波器等具體內容。

上圖是一個5x5的矩陣。現在，你另外選取一個3x3矩陣，然后移動到圖像上，將3x3矩陣與被覆蓋的圖像部分相乘以生成單個值。緊接著，3x3矩陣向右和向下移動以“覆蓋”整個圖像。最后，我們將獲得如上所示的內容。

卷積層的目標是過濾。濾波器是由矢量的權重堆疊乘以卷積輸出的值來表示的。當訓練圖像時，這些權重會發生變化，也就是說當進行圖像評估時，它會通過它捕捉到的一些特征來預測出圖像的內容。

池化層

卷積層之后的層主要是CNN架構中的池化層。它將輸入的圖像分割為一組不重疊的矩形，并且對于每個子區域都輸出一個值。

兩個主要的池化層是最大池和平均池。

最大池 - 輸出子區域的最大值。

平均池 - 輸出子區域的平均值。

池化層用于減少空間維度而不是深度。

減少空間維度的主要優點是：

? 通過減少空間信息，可以優化計算性能。

? 通過減少空間信息意味著你可以使用較少的參數來訓練模型，從而減少過度擬合的可能性。

? 獲得一些固定的值。

激活函數

激活函數的工作方式與其他神經網絡完全相同，該函數的主要左右是將值壓縮到一個特定的范圍內。一些常用的激活函數是：

最常用的激活函數是ReLu激活函數。它需要輸入‘x’并判斷‘x’是否為正，如果不為正則返回0。使用ReLu函數的原因是因為它的執行成本很低。

上圖是卷積層的一般表示。我們通過池化層進行了卷積和ReLu函數。這些層彼此堆疊。

雖然定義和訓練深度神經網絡（DNN）比以往任何時候都容易，但大多數人還是會陷入誤區。

為此目的，我們使用可視化來理解CNN模型中的各種層。

使用Keras實現可視化

在這部分我們將嘗試使用Keras實現可視化。我們將使用Keras可視化輸入，最大限度地激活VGG16體系結構的不同層中的濾波器，并對ImageNet進行訓練。

首先，讓我們從在Keras中定義VGG16模型開始：

請注意，我們只進入最后一個卷積層。原因是添加完全連接的層會強制你使用模型的固定輸入大小（224x224，原始ImageNet格式）。 通過保留卷積模塊，我們的模型可以適應任意輸入大小。

該模型加載了一組預先在ImageNet上訓練過的權重。

現在讓我們定義一個損失函數，它將促進特定層（layer_name）中的特定濾波器（filter_index）的激活。我們通過Keras后端函數執行此操作，該函數支持我們的代碼在TensorFlow和Theano之上運行。

一切都很簡單。這里唯一的技巧是規范輸入圖像的像素梯度，以確保梯度上升足夠平滑。

現在我們可以使用我們定義的Keras函數在輸入空間中進行梯度上升：

使用TensorFlow在CPU上執行此操作需要幾秒鐘。

然后我們可以提取并顯示生成的輸入：

結果：

第一層基本上只是編碼方向和顏色。然后將這些方向和濾波器組合成基本網格和斑點紋理。這些紋理逐漸組合成越來越復雜的圖案。

你可以將每層中的濾波器視為矢量的基礎，它通常是完整的，可用于以緊湊的方式將輸入層進行編碼。當濾波器開始整合來自越來越大的空間范圍的信息時，濾波器會變得更加復雜。

以下是從不同層生成的要素圖的圖片：

第1層主要生成水平、垂直和對角線。主要用于檢測圖像中的邊緣。 第2層將嘗試提供更多的信息。它主要檢測角落。第3層我們開始可以檢測到一些復雜的圖案，如眼睛、臉等。我們可以假設這個特征圖是從訓練過的人臉檢測模型中獲得的。在第4層，它可以在面部的更復雜部分（例如眼睛）。

在第5層中，你可以使用要素圖生成人的具體面孔、汽車輪胎、動物的面孔等。此要素圖包含有關圖像中的大多數信息。