江苏龙网

  1. 首页 > 人文 > >

输出层|PyTorch可视化理解卷积神经网络( 二 )

CNN神经元计算机输出层MLP


卷积使用稀疏连接的层 ， 并且其输入可以是矩阵 ， 优于MLP 。 输入特征连接到局部编码节点 。 在MLP中 ， 每个节点都有能力影响整个网络 。 而CNN将图像分解为区域（像素的小局部区域） ， 每个隐藏节点与输出层相关 ， 输出层将接收的数据进行组合以查找相应的模式 。
输出层|PyTorch可视化理解卷积神经网络文章插图
计算机如何查看输入的图像？看着图片并解释其含义 ， 这对于人类来说很简单的一件事情 。 我们生活在世界上 ， 我们使用自己的主要感觉器官（即眼睛）拍摄环境快照 ， 然后将其传递到视网膜 。 这一切看起来都很有趣 。 现在让我们想象一台计算机也在做同样的事情 。
在计算机中 ， 使用一组位于0到255范围内的像素值来解释图像 。 计算机查看这些像素值并理解它们 。 乍一看 ， 它并不知道图像中有什么物体 ， 也不知道其颜色 。 它只能识别出像素值 ， 图像对于计算机来说就相当于一组像素值 。 之后 ， 通过分析像素值 ， 它会慢慢了解图像是灰度图还是彩色图 。 灰度图只有一个通道 ， 因为每个像素代表一种颜色的强度 。 0表示黑色 ， 255表示白色 ， 二者之间的值表明其它的不同等级的灰灰色 。 彩色图像有三个通道 ， 红色、绿色和蓝色 ， 它们分别代表3种颜色（三维矩阵）的强度 ， 当三者的值同时变化时 ， 它会产生大量颜色 ， 类似于一个调色板 。 之后 ， 计算机识别图像中物体的曲线和轮廓 。。
下面使用PyTorch加载数据集并在图像上应用过滤器：
# Load the librariesimport torchimport numpy as npfrom torchvision import datasetsimport torchvision.transforms as transforms# Set the parametersnum_workers = 0batch_size = 20# Converting the Images to tensors using Transformstransform = transforms.ToTensor()train_data = http://kandian.youth.cn/index/datasets.MNIST(root='data', train=True, download=True, transform=transform)test_data = http://kandian.youth.cn/index/datasets.MNIST(root='data', train=False, download=True, transform=transform)# Loading the Datatrain_loader = torch.utils.data.DataLoader(train_data, batch_size=batch_size, num_workers=num_workers)test_loader = torch.utils.data.DataLoader(test_data, batch_size=batch_size,num_workers=num_workers)import matplotlib.pyplot as plt%matplotlib inline dataiter = iter(train_loader)images, labels = dataiter.next()images = images.numpy()# Peeking into datasetfig = plt.figure(figsize=(25, 4))for image in np.arange(20): ax = fig.add_subplot(2, 20/2, image+1, xticks=[], yticks=[]) ax.imshow(np.squeeze(images[image]), cmap='gray') ax.set_title(str(labels[image].item()))
输出层|PyTorch可视化理解卷积神经网络文章插图
下面看看如何将单个图像输入神经网络中：
img = np.squeeze(images[7])fig = plt.figure(figsize = (12,12)) ax = fig.add_subplot(111)ax.imshow(img, cmap='gray')width, height = img.shapethresh = img.max()/2.5for x in range(width): for y in range(height): val = round(img[x][y],2) if img[x][y] !=0 else 0 ax.annotate(str(val), xy=(y,x), color='white' if img[x][y]上述代码将数字'3'图像分解为像素 。 在一组手写数字中 ， 随机选择“3” 。 并且将实际像素值（0-255 ）标准化 ， 并将它们限制在0到1的范围内 。 归一化的操作能够加快模型训练收敛速度 。
构建过滤器
【输出层|PyTorch可视化理解卷积神经网络】过滤器 ， 顾名思义 ， 就是过滤信息 。 在使用CNN处理图像时 ， 过滤像素信息 。 为什么需要过滤呢 ， 计算机应该经历理解图像的学习过程 ， 这与孩子学习过程非常相似 ， 但学习时间会少的多 。 简而言之 ， 它通过从头学习 ， 然后从输入层传到输出层 。 因此 ， 网络必须首先知道图像中的所有原始部分 ， 即边缘、轮廓和其它低级特征 。 检测到这些低级特征之后 ， 传递给后面更深的隐藏层 ， 提取更高级、更抽象的特征 。 过滤器提供了一种提取用户需要的信息的方式 ， 而不是盲目地传递数据 ， 因为计算机不会理解图像的结构 。 在初始情况下 ， 可以通过考虑特定过滤器来提取低级特征 ， 这里的滤波器也是一组像素值 ， 类似于图像 。 可以理解为连接卷积神经网络中的权重 。 这些权重或滤波器与输入相乘以得到中间图像 ， 描绘了计算机对图像的部分理解 。 之后 ， 这些中间层输出将与多个过滤器相乘以扩展其视图 。 然后提取到一些抽象的信息 ， 比如人脸等 。


推荐阅读


上一篇：有转机？中国企业计划联合日本巨头生产高端光刻机，会是华为吗？

下一篇：杜伽FUSION ORIGINAL 三模机械键盘开箱体验