課設(shè)模板課件范本

課設(shè)PPT模板20xx年08月

講課老師：

課程卷積神經(jīng)網(wǎng)絡(luò)概述卷積與步長02卷積神經(jīng)網(wǎng)絡(luò)01教學(xué)任務(wù)及目標(biāo)學(xué)習(xí)重點(diǎn)：什么是卷積，為什么要引入卷積？卷積神經(jīng)網(wǎng)絡(luò)的基本原理學(xué)習(xí)難點(diǎn)：卷積實(shí)現(xiàn)過程和池化實(shí)現(xiàn)過程卷積神經(jīng)網(wǎng)絡(luò)01PART人臉識別自動駕駛安防檢測卷積神經(jīng)網(wǎng)絡(luò)最擅長的就是圖片的處理目前卷積神經(jīng)網(wǎng)絡(luò)已經(jīng)得到了廣泛的應(yīng)用，比如：人臉識別、自動駕駛、安防等很多領(lǐng)域卷積神經(jīng)網(wǎng)絡(luò)的兩大特點(diǎn)：能夠有效地將大數(shù)據(jù)量的圖片降維成小數(shù)據(jù)量②能夠有效地保留圖片特征，使結(jié)果符合圖片處理的原則卷積神經(jīng)網(wǎng)絡(luò)(CNN)人工智能：機(jī)器展現(xiàn)的人類智能典型的卷積神經(jīng)網(wǎng)絡(luò)由3個部分構(gòu)成：卷積層：負(fù)責(zé)提取圖像中的局部特征池化層：大幅降低參數(shù)量級(降維)全連接層：輸出想要的結(jié)果卷積神經(jīng)網(wǎng)絡(luò)的基本原理為什么選用這樣多層卷積與池化的方式進(jìn)行圖像特征提??？在實(shí)際使用中，通過多層卷積與池化進(jìn)行特征提取例如LeNet-5的結(jié)構(gòu)卷積層池化層全連接層池化層卷積層卷積神經(jīng)網(wǎng)絡(luò)的基本原理人腦進(jìn)行人臉識別的一個示例1981年諾貝爾醫(yī)學(xué)獎得主：DavidHubel和TorstenWiesel發(fā)現(xiàn)了視覺系統(tǒng)的信息處理規(guī)律，即可視皮層是分級的人類的視覺原理如下：原始信號攝入（瞳孔攝入像素Pixels）初步處理（大腦皮層某些細(xì)胞發(fā)現(xiàn)邊緣和方向）抽象（大腦判定眼前的物體的特征，如鼻子/眼睛）進(jìn)一步抽象（大腦進(jìn)一步判定特征組合是人臉）卷積神經(jīng)網(wǎng)絡(luò)的基本原理對于不同的物體，人類視覺也是通過這樣逐層分級來進(jìn)行認(rèn)知的在最底層特征基本上是類似的各種邊緣，越往上，越能提取出此類物體的一些特征（眼睛、輪子、軀干等），到最上層，不同的高級特征最終組合成相應(yīng)的圖像，從而能夠讓人類準(zhǔn)確的區(qū)分不同的物體卷積神經(jīng)網(wǎng)絡(luò)的基本原理卷積與步長02PART卷積神經(jīng)網(wǎng)絡(luò)，顧名思義卷積就是其中的關(guān)鍵什么是卷積？卷積的過程可以簡單地理解為，用濾波器(Filter)(也稱卷積核)將相鄰像素之間的"輪廓"過濾出來全連接神經(jīng)網(wǎng)絡(luò)是以y=wx+b的形式連接卷積神經(jīng)網(wǎng)絡(luò)的權(quán)重w就是卷積核的數(shù)值，它常常是一個矩陣卷積(Convolution)1010101011110001110001110011001100目標(biāo)數(shù)據(jù)卷積核卷積的濾波器是如何工作的呢？矩陣相同位置上的元素相乘之后求和ImageConvolvedFeature卷積(Convolution)案例——邊界檢測假設(shè)一張圖片，大小8×8000000000000000000000000000000002550卷積(Convolution)圖片中的數(shù)字代表該位置的像素值，像素值越大，顏色越亮為了示意，把右邊小像素的地方畫成深色。圖的中間兩個顏色的分界線就是要檢測的邊界怎么檢測這個邊界呢？255000000000000000000000000000000000卷積(Convolution)用這個卷積核，往圖片上“蓋”，覆蓋一塊跟卷積核一樣大的區(qū)域之后，對應(yīng)元素相乘，然后求和3×3計(jì)算一個區(qū)域后，就向其他區(qū)域挪動，接著計(jì)算，直到把原圖片的每一個角落都覆蓋到了為止這個過程就是“卷積”卷積(Convolution)這里的“挪動”，就涉及到一個步長了假如步長是1，那么覆蓋了一個地方之后，就挪一格步長（stride）總共可以覆蓋6×6個不同的區(qū)域?qū)⑦@6×6個區(qū)域的卷積結(jié)果，拼成一個矩陣注意到，這個圖片中間顏色淺，兩邊顏色深，這說明原圖片中間的邊界，在這里被反映出來了卷積(Convolution)通過設(shè)計(jì)特定的卷積核，讓它去跟圖片做卷積，就可以識別出圖片中的某些特征，比如邊界。因此卷積得出的圖片稱為特征圖或特征矩陣（FeatureMap）怎么可能去設(shè)計(jì)這么多各種各樣的卷積核？對于一大堆圖片，不一定清楚需要識別哪些特征知道了有哪些特征，想設(shè)計(jì)出對應(yīng)的卷積核，也并非易事，特征的數(shù)量可能是成千上萬的卷積(Convolution)填充與池化03PART(8,8)

->(6,6)->(4,4)填充（Padding）原圖像在經(jīng)過卷積核卷積之后，變小了，從(8,8)變成了(6,6)。假設(shè)再卷一次，那大小就變成了(4,4)了主要有兩個問題：①每次卷積，圖像都縮小，這樣卷不了幾次就沒了②相比于圖片中間的點(diǎn)，圖片邊緣的點(diǎn)在卷積中被計(jì)算的次數(shù)很少。這樣的話，邊緣的信息就易于丟失為了解決這個問題，可以采用填充的方法每次卷積前，先給圖片周圍都補(bǔ)一圈空白，讓卷積之后圖片跟原來一樣大，同時，原來的邊緣也被計(jì)算了更多次填充（Padding）用卷積核進(jìn)行窗口滑動過程中，實(shí)際上"重疊"計(jì)算了很多冗余的信息，而池化操作就是去除這些冗余信息，提取這個區(qū)域的主要特征，防止過擬合比如MaxPooling，采用了一個2×2的窗口，取這個窗口中的最大值，并取步長=2池化（pooling）除了MaxPooling,還有AveragePooling，顧名思義就是取那個區(qū)域的平均值