24、OpenCV神经网络入门指南

OpenCV神经网络入门指南

1. 神经网络层的理解

神经网络至少包含三个不同的层：输入层、隐藏层和输出层。可能存在多个隐藏层，不过一个隐藏层通常足以解决许多实际问题。具有多个隐藏层的神经网络有时被称为深度神经网络（DNN）。

如果将人工神经网络（ANN）用作分类器，每个输出节点的输出值代表一个类别的置信度得分。对于给定样本（即一组输入值），我们想知道哪个输出节点产生的输出值最高，这个得分最高的输出节点对应预测的类别。

2. 各层大小的选择

• 输入层大小 ：输入层的节点数就是网络的输入数量。例如，若要创建一个ANN来根据动物的物理属性测量值确定其物种，选择体重、体长和牙齿数量这三个属性，那么网络就需要三个输入节点。不过在实际问题中，这三个输入节点可能不足以进行物种分类，但在一些简单问题中，这取决于想要实现的输出。
• 输出层大小 ：对于分类器，输出层的节点数就是网络能够区分的类别数量。以动物分类网络为例，如果要处理狗、秃鹰、海豚和龙这四类动物，就可以使用一个包含四个节点的输出层。若要对不在这些类别中的动物数据进行分类，网络会预测最可能与之相似的类别。
• 隐藏层大小 ：选择隐藏层大小没有公认的经验法则，必须通过实验来确定。对于每个想要应用ANN的实际问题，都需要对ANN进行训练、测试和重新训练，直到找到能产生可接受准确率的隐藏节点数量。一些专家给出了大致建议：
  • 若输入层较大，隐藏神经元的数量应介于输入层和输出层的大小之间，通常更接近输出层的大小。