第2章 卷積神經(jīng)網(wǎng)絡(luò)

深度學(xué)習(xí)模型中的卷積神經(jīng)網(wǎng)絡(luò)（Convolution Neural Network, CNN）近年來(lái)在圖像領(lǐng)域取得了驚人的成績(jī)，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(guò)卷積操作進(jìn)行特征的提取和高層抽象，模型輸出直接是圖像識(shí)別的結(jié)果。這種基于“輸入-輸出”直接端到端的學(xué)習(xí)方法取得了非常好的效果，得到了廣泛的應(yīng)用。本章重點(diǎn)介紹CNN的基本原理、常見(jiàn)的CNN結(jié)構(gòu)以及代碼實(shí)現(xiàn)，還介紹了基于CNN的文本分類(lèi)處理。

本章涉及的代碼請(qǐng)參考本書(shū)GitHub的cnn.py文件。

2.1 傳統(tǒng)的圖像分類(lèi)算法

圖像分類(lèi)是根據(jù)圖像的原始信息將不同類(lèi)別圖像區(qū)分開(kāi)來(lái)，是計(jì)算機(jī)視覺(jué)中重要的基本問(wèn)題，也是圖像檢測(cè)、圖像分割、物體跟蹤、行為分析等其他高層視覺(jué)任務(wù)的基礎(chǔ)。圖像分類(lèi)在很多領(lǐng)域有廣泛應(yīng)用，包括安防領(lǐng)域的人臉識(shí)別和智能視頻分析，交通領(lǐng)域的交通場(chǎng)景識(shí)別，互聯(lián)網(wǎng)領(lǐng)域基于內(nèi)容的圖像檢索和相冊(cè)自動(dòng)歸類(lèi)，醫(yī)學(xué)領(lǐng)域的圖像識(shí)別等，如圖2-1所示。

圖2-1 圖像分類(lèi)識(shí)別花的不同品種

在CNN出現(xiàn)之前，圖像分類(lèi)算法依賴于復(fù)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(zhuǎn)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(lèi)算法為SVM。