卷积神经网络
卷积神经网络 (CNN) 是理解图像的主力架构。
概述
They learn visual patterns by sliding small filters across a picture, which is why they power everything from face unlock to medical scan analysis.
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。
战略影响
更清晰的判决
它可以帮助您将清晰的技术声明与营销语言分开。
成本与预算
在花费金钱或时间之前，您可以提出更好的实施问题。
团队与工作流程
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。
卷积神经网络的未来
CNN 在实时和资源有限的视觉领域（例如手机摄像头和自动驾驶感知）仍然占据主导地位，因为它们速度快且数据高效。视觉变形金刚现在在大型数据集上可以与它们竞争或击败它们，因此该领域正在融合混合设计，将卷积的效率与注意力的全局推理结合起来。预计 CNN 将在嵌入式和边缘设备、数据稀缺的医学成像中持续存在，并在未来几年作为高效的特征提取器为更大的多模态系统提供支持。
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
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。
在测试之前选择一种成功指标和一种失败条件。
使用代表性数据运行小型试点，而不是完善的演示集。
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。
不断探索
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Convolutional Neural Networks quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
常见问题
What is Convolutional Neural Networks?
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。
CNN 中过滤器（内核）的主要工作是什么？
过滤器是一个在图像上滑动的小权重网格，当它发现所学的模式（例如边缘或纹理）时激活。
为什么 CNN 需要的参数比图像全连接网络少得多？
权重共享意味着在图像中的各处应用一个小滤波器，因此网络重复使用相同的权重，而不是为每个像素位置学习单独的权重。
池化层通常做什么？
池化（例如最大池化）对特征图进行下采样，减少计算量并使网络对特征出现的确切位置不太敏感。
在深度 CNN 中，从早期层到后期层的特征通常如何变化？
早期层检测边缘和颜色等低级特征；更深的层将这些组合成更高层次的概念，例如面部或物体部分。
哪一事件被广泛认为开启了现代视觉深度学习热潮？
AlexNet 在 2012 年使用 GPU 上的深度 CNN 在 ImageNet 上取得了戏剧性的胜利，让研究人员相信深度学习可以超越旧方法，从而引发该领域的快速发展。