24、基于OpenCV的神经网络入门指南

基于OpenCV的神经网络入门指南

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。隐藏层可以有多个，不过一个隐藏层通常就能解决很多实际问题。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就是对应类别的置信度得分。对于给定样本（即一组输入值），我们要找出输出值最高的输出节点，该节点对应的类别就是预测类别。

确定网络拓扑结构以及每层所需神经元数量时，需要逐层进行分析：
- 输入层大小的选择 ：输入层节点数量就是输入到网络的输入数量。例如，要创建一个基于动物物理属性测量值来确定其物种的ANN，若选择体重、体长和牙齿数量这三个属性，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，但在简单问题中，这取决于我们想要达到的输出结果。
- 输出层大小的选择 ：对于分类器，输出层节点数量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，就可以使用具有四个节点的输出层。若要对不在这些类别中的动物数据进行分类，网络会预测最接近该动物的类别。
- 隐藏层大小的选择 ：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，都需要不断训练、测试和重新训练ANN，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，隐藏神经元数量应介于输入层和输出层大小之间，通常更接近输出层大小。
- 若输入层和输出层都较小，