正如你所看到的，CNN 由不同的卷積層和池化層組成。讓我們看看整個網(wǎng)絡是什么樣子：

我們將輸入圖像傳遞到第一個卷積層中，卷積后以激活圖形式輸出。圖片在卷積層中過濾后的特征會被輸出，并傳遞下去。

每個過濾器都會給出不同的特征，以幫助進行正確的類預測。因為我們需要保證圖像大小的一致，所以我們使用同樣的填充（零填充），否則填充會被使用，因為它可以幫助減少特征的數(shù)量。

隨后加入池化層進一步減少參數(shù)的數(shù)量。

在預測最終提出前，數(shù)據(jù)會經(jīng)過多個卷積和池化層的處理。卷積層會幫助提取特征，越深的卷積神經(jīng)網(wǎng)絡會提取越具體的特征，越淺的網(wǎng)絡提取越淺顯的特征。

如前所述，CNN 中的輸出層是全連接層，其中來自其他層的輸入在這里被平化和發(fā)送，以便將輸出轉換為網(wǎng)絡所需的參數(shù)。

隨后輸出層會產(chǎn)生輸出，這些信息會互相比較排除錯誤。損失函數(shù)是全連接輸出層計算的均方根損失。隨后我們會計算梯度錯誤。

錯誤會進行反向傳播，以不斷改進過濾器（權重）和偏差值。

一個訓練周期由單次正向和反向傳遞完成。

5. 在 KERAS 中使用 CNN 對圖像進行分類

讓我們嘗試一下，輸入貓和狗的圖片，讓計算機識別它們。這是圖像識別和分類的經(jīng)典問題，機器在這里需要做的是看到圖像，并理解貓與狗的不同外形特征。這些特征可以是外形輪廓，也可以是貓的胡須之類，卷積層會攫取這些特征。讓我們把數(shù)據(jù)集拿來試驗一下吧。

以下這些圖片均來自數(shù)據(jù)集。

我們首先需要調(diào)整這些圖像的大小，讓它們形狀相同。這是處理圖像之前通常需要做的，因為在拍照時，讓照下的圖像都大小相同幾乎不可能。

為了簡化理解，我們在這里只用一個卷積層和一個池化層。注意：在 CNN 的應用階段，這種簡單的情況是不會發(fā)生的。

#import various packagesimport osimport numpy as npimport pandas as pdimport scipyimport sklearnimport kerasfrom keras.models import Sequentialimport cv2from skimage import io
%matplotlib inline

#Defining the File Path

cat=os.listdir("/mnt/hdd/datasets/dogs_cats/train/cat")
dog=os.listdir("/mnt/hdd/datasets/dogs_cats/train/dog")
filepath="/mnt/hdd/datasets/dogs_cats/train/cat/"filepath2="/mnt/hdd/datasets/dogs_cats/train/dog/"#Loading the Images

images=[]
label = []for i in cat:
image = scipy.misc.imread(filepath+i)
images.append(image)
label.append(0) #for cat imagesfor i in dog:
image = scipy.misc.imread(filepath2+i)
images.append(image)
label.append(1) #for dog images

#resizing all the imagesfor i in range(0,23000):
images[i]=cv2.resize(images[i],(300,300))

#converting images to arrays

images=np.array(images)
label=np.array(label)

# Defining the hyperparameters

filters=10filtersize=(5,5)

epochs =5batchsize=128input_shape=(300,300,3)

#Converting the target variable to the required sizefrom keras.utils.np_utils import to_categorical
label = to_categorical(label)

#Defining the model

model = Sequential()

model.add(keras.layers.InputLayer(input_shape=input_shape))

model.add(keras.layers.convolutional.Conv2D(filters, filtersize, strides=(1, 1), padding='valid', data_format="channels_last", activation='relu'))
model.add(keras.layers.MaxPooling2D(pool_size=(2, 2)))
model.add(keras.layers.Flatten())

model.add(keras.layers.Dense(units=2, input_dim=50,activation='softmax'))

model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])
model.fit(images, label, epochs=epochs, batch_size=batchsize,validation_split=0.3)

model.summary()

在這一模型中，我只使用了單一卷積和池化層，可訓練參數(shù)是 219,801。很好奇如果我在這種情況使用了 MLP 會有多少參數(shù)。通過增加更多的卷積和池化層，你可以進一步降低參數(shù)的數(shù)量。我們添加的卷積層越多，被提取的特征就會更具體和復雜。

在該模型中，我只使用了一個卷積層和池化層，可訓練參數(shù)量為 219,801。如果想知道使用 MLP 在這種情況下會得到多少，你可以通過加入更多卷積和池化層來減少參數(shù)的數(shù)量。越多的卷積層意味著提取出來的特征更加具體，更加復雜。

結語

希望本文能夠讓你認識卷積神經(jīng)網(wǎng)絡，這篇文章沒有深入 CNN 的復雜數(shù)學原理。如果希望增進了解，你可以嘗試構建自己的卷積神經(jīng)網(wǎng)絡，借此來了解它運行和預測的原理。