织梦dedecms蓝色风格挖掘机机械工业公司网站模板(自适应手机移动端)

时间：2023-06-12 20:42:01 | 来源：网站运营

时间：2023-06-12 20:42:01 来源：网站运营

织梦dedecms蓝色风格挖掘机机械工业公司网站模板(自适应手机移动端)：织梦dedecms蓝色风格挖掘机机械工业公司网站模板(自适应手机移动端)

本程序采用一库两站简洁方便管理后台，一个后台管理两网站，电脑版+手机版

1、网站手工DIV+css，代码精简，首页排版整洁大方、布局合理、利于SEO、图文并茂、静态HTML；
2、程序自带XML地图，有利于搜索引擎快速收录和排名

文件：n459.com/file/25127180-477627720

以下内容无关：

-------------------------------------------分割线---------------------------------------------

一、定义

卷积神经网络（Convolutional Neural Networks）是一种深度学习模型或类似于人工神经网络的多层感知器，常用来分析视觉图像。其创始人Yann LeCun是第一个通过卷积神经网络在MNIST数据集上解决手写数字问题的人。
二、CNN灵感来源？
人类的视觉原理如下：从原始信号摄入开始（瞳孔摄入像素 Pixels），接着做初步处理（大脑皮层某些细胞发现边缘和方向），然后抽象（大脑判定，眼前的物体的形状，是圆形的），然后进一步抽象（大脑进一步判定该物体是只气球）。
人脑进行人脸识别示例


对于不同的物体，人类视觉也是通过这样逐层分级，来进行如下认知的。
人类视觉识别示例


在最底层特征基本上是类似的，就是各种边缘，越往上，越能提取出此类物体的一些特征（轮子、眼睛、躯干等），到最上层，不同的高级特征最终组合成相应的图像，从而能够让人类准确的区分不同的物体。于是便模仿人类大脑的这个特点，构造多层的神经网络，较低层的识别初级的图像特征，若干底层特征组成更上一层特征，最终通过多个层级的组合，最终在顶层做出分类。
三、卷积神经网络解决了什么？
概括来说就是保留图像特征，参数降维，复杂参数简单化。
图像像素RGB




众所周知，图像是由像素构成的，每个像素又是由颜色构成的。现在随随便便一张图片都是 1000×1000 像素以上的， 每个像素都有RGB 3个参数来表示颜色信息。
假如我们处理一张 1000×1000 像素的图片，我们就需要处理3百万个参数！1000×1000×3=3,000,000
这么大量的数据处理起来是非常消耗资源的，卷积神经网络 – CNN 解决的第一个问题就是「将复杂问题简化」，把大量参数降维成少量参数，再做处理。
更重要的是：我们在大部分场景下，降维并不会影响结果。比如1000像素的图片缩小成200像素，并不影响肉眼认出来图片中是一只猫还是一只狗，机器也是如此。
图片数字化的传统方式



图像简单数字化无法保留图像特征，如上图假如有圆形是1，没有圆形是0，那么圆形的位置不同就会产生完全不同的数据表达。但是从视觉的角度来看，图像的内容（本质）并没有发生变化，只是位置发生了变化。所以当我们移动图像中的物体，用传统的方式的得出来的参数会差异很大！这是不符合图像处理的要求的。而 CNN 解决了这个问题，他用类似视觉的方式【模仿人类大脑视觉原理，构造多层的神经网络，较低层的识别初级的图像特征，若干底层特征组成更上一层特征，最终通过多个层级的组合，最终在顶层做出分类】保留了图像的特征，当图像做翻转，旋转或者变换位置时，它也能有效的识别出来是类似的图像。
四、卷积神经网络的架构



典型的 CNN 由卷积层、池化层、全连接层3个部分构成：
典型CNN组成部分



更为完善的也有分为如下五个层级结构：
1、数据输入层：Input layer
2、卷积计算层：CONV layer
3、ReLU激励层：ReLU layer
4、池化层：Pooling layer
5、全连接层：FC layer
五、数据输入层
数据输入层主要是对原始图形数据进行数据预处理，包括去均值、归一化、PCA/白化。
去均值：
把输入数据各个维度都中心化为0，如下图所示，其目的就是把样本的中心拉回到坐标系原点上。
归一化：幅度归一化到同样的范围，如下所示，即减少各维度数据取值范围的差异而带来的干扰，比如，我们有两个维度的特征A和B，A范围是0到10，而B范围是0到10000，如果直接使用这两个特征是有问题的，好的做法就是归一化，即A和B的数据都变为0到1的范围。
PCA/白化：
用PCA降维度，白化是对数据各个特征轴上的幅度归一化。
去均值&归一化效果图


去相关与白化效果图



六、卷积计算层
卷积层有两个重要的操作，一个是局部关联，每个神经元看做一个滤波器filter；另一个是窗口滑动，filter对局部数据计算。
卷积层的运算过程如下图，用一个卷积核扫完整张图片：
卷积层动态运算图



卷积层的运算过程，可以当做使用一个过滤器(卷积核)来过滤图像的各个小区域，从而得到这些小区域的特征值，即卷积层通过卷积核的过滤提取出图片中局部的特征。
卷积层运算图




卷积层计算过程动图



七、激励层
激励层是把卷积层输出结果做非线性映射。CNN采用的激励函数一般为ReLU（The Rectified Linear Unit/修正线性单元）。




八、池化层
池化层在连续的卷积层中间，其用于压缩数据和参数的量，减少过拟合。最重要的作用就是保持特性不变，压缩图像，降低数据维度。




池化层用的方法有Max pooling 和 average pooling，而实际用的较多的是Max pooling。Max pooling思想：对于每个2 * 2的窗口选出最大的数作为输出矩阵的相应元素的值，比如输入矩阵第一个2 * 2窗口中最大的数是6，那么输出矩阵的第一个元素就是6，如此类推，保持特征不变地降低维度。
Max pooling图




动态池化图



我们可以看到动态池化图中，原始图片是20×20的，我们对其进行下采样，采样窗口为10×10，最终将其下采样成为一个2×2大小的特征图。
九、全连接层
全连接层在卷积神经网络尾部，该层负责输出结果，是最后一步。其跟传统的神经网络神经元的连接方式一样。
全连接层连接方式



十、CNN实际应用场景
图像分类/检索、目标定位检测、目标分割、人脸识别、骨骼识别等。