2、卷积神经网络：原理、计算与架构解析

卷积神经网络：原理、计算与架构解析

1. 图像特征提取挑战

在处理图像数据时，我们面临着一些挑战。首先，图像维度可能非常大，例如一个 2MP 的图像，如果分辨率为 1600x1200，每张图像将有 190 万个像素。其次，通过图像捕获的数据并非总是居中对齐的，比如一张图像中猫可能在角落，而另一张中猫可能在中心，模型需要能够捕捉信息的空间变化。此外，图像中的猫可以沿垂直或水平方向旋转，但它仍然是猫，因此我们需要一个强大的解决方案来捕捉这些差异。

2. 卷积神经网络基础

为了解决上述问题，我们可以使用卷积神经网络（CNN）。CNN 通过内核将图像分解为多个特征图，并按顺序使用这些特征图来构建模型，该模型可用于任何下游或前置任务。

• 内核 ：内核是特征提取器，它可以提取边缘、梯度、图案等特征。通常使用方阵在图像的第一步和后续特征图上执行卷积任务，卷积任务可以看作是最简单的点积任务。
• 卷积过程 ：以一个 5x5 的特征图与一个 3x3 的内核进行卷积为例，结果是一个 3x3 的特征图，该特征图将再次进行卷积或转换为下游任务所需的特征。

3. 卷积的超参数

卷积过程包含两个重要的超参数：步长和填充。
- 步长 ：步长告诉内核如何在特征图上移动。在我们的卷积神经网络中，步长为 1。步长大于 1 可能会在特征图中导致棋盘格问题，某些像素会比其他像素得到更多关注。根据业务需求，我们可能需要或不需要这种效果。较高的步长值也可用于降低特征图的维度。
-