概述
卷积神经网络 (CNN) 是理解图像的主力架构。他们通过在图片上滑动小滤镜来学习视觉模式，这就是为什么他们为从面部解锁到医学扫描分析的一切提供支持。
卷积神经网络位于核心人工智能工具包中。当你理解它时，其他人工智能主题就变得更容易评估和比较。
深入探讨
CNN 通过在像素上滑动小权重网格（称为滤波器或内核）来处理图像。每个过滤器扫描一种模式，例如边缘、颜色斑点或角。早期层检测简单特征；更深的层将它们组合成眼睛、轮子或文本。由于在每个位置都重复使用相同的过滤器（权重共享），因此 CNN 需要的参数比全连接网络少得多，并且无论猫出现在左上角还是右下角，都可以发现它。池化层在步骤之间缩小图像，使网络更快并且更能容忍小变化。 LeNet、AlexNet（2012）和 ResNet 等具有里程碑意义的设计推动了深度学习的热潮，而 AlexNet 在 ImageNet 上的胜利则点燃了该领域的现代时代。
技术洞察
核心运算是卷积：将一个滤波器（例如 3x3 权重）叠加在一块像素上，每个权重与其像素相乘，并将结果求和为一个输出数。滑动过滤器会产生特征图。有两个想法可以提高效率：权重共享（在任何地方重复使用一个过滤器）和局部连接（每个神经元只看到一小部分区域）。堆叠卷积、ReLU 等非线性和池化让网络构建越来越抽象的视觉特征的层次结构。
掌握卷积神经网络
卷积神经网络 (CNN) 是理解图像的主力架构。他们通过在图片上滑动小滤镜来学习视觉模式，这就是为什么他们为从面部解锁到医学扫描分析的一切提供支持。卷积神经网络位于核心人工智能工具包中。当你理解它时，其他人工智能主题就变得更容易评估和比较。为了建立深入的理解，请将卷积神经网络视为一种操作模型，而不是单一功能：定义期望的结果，澄清假设，并将系统可以可靠地完成的任务与仍需要专家判断的任务分开。
在实践中，使用卷积神经网络的强大团队首先构建强大的概念模型，然后将这些模型映射到实际的生产约束。他们记录明确的成功标准，根据实际数据和工作流程进行测试，并根据观察到的失败模式而不是一次性基准测试胜利进行迭代。这就是理论理解转变为跨产品、政策和运营的持久能力的地方。
它可以帮助您将清晰的技术声明与营销语言分开。同时，不同的团队可能会以不同的方式使用同一术语，因此请尽早定义范围。最具弹性的方法是将实验速度与治理规则结合起来：运行试点、捕获证据、发布决策日志，并随着模型行为、用户期望和监管要求的发展不断更新保障措施。
战略影响
它可以帮助您将清晰的技术声明与营销语言分开。
它可以帮助您将清晰的技术声明与营销语言分开。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
在花费金钱或时间之前，您可以提出更好的实施问题。
在花费金钱或时间之前，您可以提出更好的实施问题。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
具有共同理解的团队可以做出更好的产品、政策和学习决策。
具有共同理解的团队可以做出更好的产品、政策和学习决策。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
现实世界的实施
通过 X 射线、CT 扫描和视网膜照片检测肿瘤、骨折和糖尿病视网膜病变
在 Google Photos 等应用中为手机解锁和照片标记提供人脸识别功能
在自动驾驶汽车感知系统中读取街道标志、车道标记和行人
通过摄像头检查自动标记工厂装配线上的缺陷产品
实施模式
卷积神经网络的实践
通过 X 射线、CT 扫描和视网膜照片检测肿瘤、骨折和糖尿病视网膜病变。
通过 X 射线、CT 扫描和视网膜照片检测肿瘤、骨折和糖尿病性视网膜病变 团队在预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会获得更好的结果。
卷积神经网络的实践
为 Google Photos 等应用程序中的手机解锁和照片标记提供人脸识别功能。
在 Google Photos 等应用程序中支持手机解锁和照片标记的人脸识别 团队在预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力提升和错误成本时，通常会获得更好的结果。
卷积神经网络的实践
在自动驾驶汽车感知系统中读取街道标志、车道标记和行人。
在自动驾驶汽车感知系统中读取街道标志、车道标记和行人 当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会获得更好的结果。
卷积神经网络的实践
通过摄像头检查自动标记工厂装配线上的缺陷产品。
通过摄像头检查自动标记工厂装配线上的缺陷产品当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力提高和错误成本时，通常会得到更好的结果。
风险与防护栏
不同的团队可能会以不同的方式使用同一术语，因此请尽早定义范围。
基准测试可能看起来很强大，但实际性能却参差不齐。
忽视数据质量和评估计划通常会产生脆弱的结果。
实施路线图
从您需要的结果的简单语言定义开始。
从您需要的结果的简单语言定义开始。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
在测试之前选择一种成功指标和一种失败条件。
在测试之前选择一种成功指标和一种失败条件。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
使用代表性数据运行小型试点，而不是完善的演示集。
使用代表性数据运行小型试点，而不是完善的演示集。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
记录卷积神经网络在哪些方面有帮助以及在哪些方面更简单的方法更好。
记录卷积神经网络在哪些方面有帮助以及在哪些方面更简单的方法更好。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。