网络运营部seo顾问合同

3.理解一个简单的神经网络结构

CNN的架构和深度各有不同。但所有的CNN都会包含一些常见的层，比如图像输入层和卷积层。

后面，我们可以看到分类网络中的每一层如何处理一个简单示例图像。

在第二部分，我们创建了一个简单的深度网络结构，如下图所示，

例：用一个矩阵的例子表示上图的流程就如下图所示

第一层是图像输入层。该层定义了网络的输入尺寸，并对输入图像进行归一化处理。默认情况下，图像输入层会减去训练数据集的平均图像，从而使图像以零为中心。上图中，输入层就是一个5x5的图像（imageInputLayer([5 5])）

二维卷积层对输入图像应用滑动滤波器。卷积层是CNN架构中的关键部分，它们利用输入图像的空间结构来提取信息。上面例子中的卷积核就是一个通道，大小为2x2，即convolution2dLayer([2 2], 1)

卷积层通常后接一个非线性激活层，例如修正线性单元（ReLU）。ReLU层对输入的每个元素执行阈值操作，将小于零的值都设为零。

最大池化层通过将输入划分为矩形的池化区域，并计算每个区域的最大值来进行下采样。池化可以降低网络的复杂度，并使网络具有更强的泛化能力。上面例子的池化层大小为3x3，即maxPoolingLayer([3 3])

通过网络传递的特征被保存在一组矩阵中，直到它们到达全连接层。在全连接层中，输入会被“展平”，以便映射到输出类别上。该层的输出大小取决于你的分类问题中的类别数量。例如，如果你要对猫和狗进行分类，输出大小就是2。

Softmax层将每个输出类别的数值转换为归一化的分数。你可以将每个数值理解为输入图像属于对应类别的概率。

Softmax层中数值最大的那个对应于最有可能的类别。

4.层与滤波器（Layers and Filters）

当你创建一个卷积层时，需要指定滤波器的尺寸和数量。在训练过程中，这些滤波器会学习如何从图像中提取特征。为了帮助理解滤波器的作用，你可以将一张输入图像传入网络，并查看卷积层的激活值（即输出）。被网络处理过的图像称为激活图。首先，我们创建自己的滤波器，以了解卷积是如何工作的。

我们可以自己找一张花朵的照片，这是一张RGB图像，有三个通道，如下图所示，

为了模拟在 convolution2dLayer 中执行的卷积操作，你需要一个二维矩阵。你可以使用冒号（:）运算符提取其中一个通道的所有行和列，这里我们提取彩色图片的第一个通道，

% 读取彩色图片
img = imread("flower.jpg");
figure,imshow(img)% 提取图片第一个通道
redIm = img(:,:,1);
figure,imshow(redIm)

这里我们将使用的滤波器是 3×3 的矩阵。在图像处理中，这种矩阵通常被称为卷积核（kernel）。这就类似于在创建 convolution2dLayer 时使用一个 [3 3] 的滤波器。

最简单的卷积核之一是单位卷积核（identity kernel）：
$$\left[\begin{array}{ccc}0& 0& 0\\ 0& 1& 0\\ 0& 0& 0\end{array}\right]$$
在每个像素处，使用单位卷积核进行卷积时会返回相同的像素值。因此，输出图像与原始图像相同。

在matlab里，我们可以这样创建单位卷积核

% 单位卷积核
identityK = [0 0 0; 0 1 0; 0 0 0];

你可以使用 imfilter 函数和你的卷积核一起，对图像应用滤波操作。
filteredim = imfilter(im, kernel) 表示将滤波器 kernel 应用于图像 im，并将结果存储在 filteredim 中。

这里我们将identityK应用在提取的第一个通道上redIm,

% 应用单位卷积核
identityConv = imfilter(redIm, identityK);
figure,imshow(identityConv)

当我们使用不用的卷积核，就会对图像有不同的效果，我们可以使用下面的卷积核来模糊图像，
$$\frac{1}{9}\left[\begin{array}{ccc}1& 1& 1\\ 1& 1& 1\\ 1& 1& 1\end{array}\right]$$
这个卷积核计算一个像素及其周围像素的平局值。

% 卷积核
blurK = 1/9 * [1 1 1; 1 1 1;1 1 1];% 应用卷积核
blurConv = imfilter(redIm, blurK);
figure,imshow(blurConv)

边缘通常是在卷积神经网络（CNN）早期层中提取的特征之一。你可以使用这个卷积核进行简单的边缘检测。
$$\left[\begin{array}{ccc}0& 1& 0\\ 1& -4& 1\\ 0& 1& 0\end{array}\right]$$

% 卷积核
edgeK = [0 1 0; 1 -4 1;0 1 0];% 应用卷积核
edgeConv = imfilter(redIm, edgeK);
figure,imshow(edgeConv)