第2章 卷積神經網絡

深度學習模型中的卷積神經網絡（Convolution Neural Network, CNN）近年來在圖像領域取得了驚人的成績，CNN直接利用圖像像素信息作為輸入，最大程度保留了輸入圖像的所有信息，通過卷積操作進行特征的提取和高層抽象，模型輸出直接是圖像識別的結果。這種基于“輸入-輸出”直接端到端的學習方法取得了非常好的效果，得到了廣泛的應用。本章重點介紹CNN的基本原理、常見的CNN結構以及代碼實現，還介紹了基于CNN的文本分類處理。

本章涉及的代碼請參考本書GitHub的cnn.py文件。

2.1 傳統的圖像分類算法

圖像分類是根據圖像的原始信息將不同類別圖像區分開來，是計算機視覺中重要的基本問題，也是圖像檢測、圖像分割、物體跟蹤、行為分析等其他高層視覺任務的基礎。圖像分類在很多領域有廣泛應用，包括安防領域的人臉識別和智能視頻分析，交通領域的交通場景識別，互聯網領域基于內容的圖像檢索和相冊自動歸類，醫學領域的圖像識別等，如圖2-1所示。

圖2-1 圖像分類識別花的不同品種

在CNN出現之前，圖像分類算法依賴于復雜的特征工程。常用的特征提取方法包括SIFT（Scale-Invariant Feature Transform，尺度不變特征轉換）、HOG（Histogram of Oriented Gradient，方向梯度直方圖）、LBP（Local Bianray Pattern，局部二值模式）等，常用的分類算法為SVM。