本文系用户投稿，不代表机核网观点
⚠️ 未经作者授权 禁止转载
前言
前言
本文还是以翻译PPT页内容为主，打星号的部分则是我的补充说明。
1 空间数据的神经网络——Neural Networks for Spatial Data
1 空间数据的神经网络——Neural Networks for Spatial Data
其内容的顺序是有意义的数据，例如：
- 图像
- 声音（波谱）
- 文字（词语嵌套）
- 视频
2 卷积神经网络的历史——History of Convolutional Neural Networks (CNNs)
2 卷积神经网络的历史——History of Convolutional Neural Networks (CNNs)
1959年——Hubel和Weisel的神经学实验使人理解了哺乳动物的视觉系统的运作方式。
1980年——两人被授予了生理和医药方面的诺贝尔奖。
*图中是Hubel和Weisel两人的照片
*图中尝试解析（类人）哺乳动物的视觉多层反应。
*例如：retina是视网膜、LGN( Lateral geniculate nucleus )是外侧膝状体、V1-V3是视觉皮层、 LOC( Lateral Occipital Complex )是枕外侧复合体。
*实验内容如图——主要是记录动物对屏幕上刺激产生的脑内电信号反应。
*核心观察：初始神经元仅对特定朝向的光有强烈反应。
*V1层生理：方向选择
核心思想：细胞被以层级的形式组织起来，作为特征探测器；低级细胞负责响应简单（二分）的激活类信息，而高级细胞负责响应组合起来的纹样模式。
1980年——新认知机Neocognitron被提出了，包含卷积层和降采样层。
*Neocognitron本文后续就沿用原词，因为本身也是日本科学家的生造词。
*图中是提出者福岛邦彦的照片。
（蓝字）在这篇论文中，我们讨论了如何整合一个神经网络模型，以赋予其类似人类的图像识别能力...这一神经网络应用了与Hubel和Wiesel提出的视觉神经系统相似的结构。
多层简单和复杂细胞：
*图1（上方）展示了Neocognitron的结构与Hubel和Wiesel提出的结构的相关对应。
*图2（下方）展示了Neocognitron的层间内连接方式。
简单细胞通过一个滑动滤波器来提取特征。
当目标图样中的任意局部区域相符合时，复杂细胞被激活。
*如图，以上两种细胞也被提炼成卷积层和池层。后面的章节主要介绍这两部分。
*modifiable synapses是可塑性突触，在神经网络中它可以通过学习来调节连接的强度。
3 CNN，卷积层——CNNs –Convolutional Layers
3 CNN，卷积层——CNNs –Convolutional Layers
一层中的每个节点都为下一层的所有节点提供输入。
假定有一个两层模型，每层100个节点——分别处理640*480和2048*1536的图像，权重项的排列组合就已经非常多了（如图）。
*（全连接模型的）问题：有着过多的模型参数。
更多模型参数也会导致：更大的过拟合概率、增加训练时间、需要更多训练数据。
理念：每个节点仅接受上一层少量相邻节点的输入，共享少量参数。
为实现这一点，人们使用卷积的方式来代替全连接层中的矩阵乘法形式。
*图像类神经网络，其基本思想就可以概括为以过滤器等方式提取特征图。其它的文章中我也提到过，“过滤”这个常规翻译其实也不那么准确，就理解成“把一定的输入按一定规则加工后输出”比较合适。
*至此，可以和这个系列中读的其它图像处理类的内容形成参照了。
- 为矩阵中的每个位置执行一个局部相邻函数的计算。
- 一个过滤器就指定了函数如何基于相邻值进行组合计算。
*图中的滑动过滤器依次执行3X3的矩阵，并计算（与过滤器核）点积。
*依次执行这一过程。
*按矩阵的点积或内积定义来说，结果并不是一个标量。这里应该是计算了其卷积的结果。
*类似之前介绍的高斯模糊，与模糊核之间的运算也是卷积运算。
*课件中的公式中项的数量是有误的，应该就是9项，即逐项相乘后求和。之所以会有很多地方课件写成是DotProduct，是因为外网上这部分的出处就没有介绍得特别清楚。文末会附一篇关于这一话题的讨论链接。
*这里先附上正确的理解和计算方式：
*逐行执行后，依次可以得到每一格的计算结果。
*这里需要学习的就是过滤器（核）的参数。
- 对于上图中的例子，需要学习多少项权重？——4项（红、蓝、黄、绿的值）
- 如果使用全连接层，需要学习多少权重？——36（9个青绿色节点 X 4个洋红色节点——*这里就是图中节点的颜色，没有颜色识别上的含义）
- 对于上图中的例子，需要学习多少参数？——5（4个权重+1个偏置）
- 如果使用全连接层，需要学习多少参数？——40（36个权重+4个偏置）
- 参数共享能显著减少需要的参数数量，以及存储需求。
- 稀疏（而不是全部）连通也能显著减少需要的计算量。
Neocognitron中硬编码了过滤器的值。在下一篇中会介绍到过滤器值的学习过程。
- 很多神经网络库会将“卷积”与“互相关”交替使用；对于数学家来说，它们是不同的技术点。
- 后续的一些页展示了“交叉相关”函数的方案。
*图中目标过滤器是人头像。例子是用一大幅画中识别出和过滤器接近的纹样。
*以图中的过滤器为例，它可以可视化为一款弯曲的轮廓（右图）。
*按图中的情况计算权重和，会得到相对较大的值。（*这里的权重和就是“互相关”的计算方式）
*按图中的情况计算权重和，会得到相对较小的值。（*这里直接就是0）
*图中的例子里，这个过滤器可以看作一个曲线探测器。对越接近的纹样，它的响应就越强；反之则响应越弱。
*很多过滤器在图像处理领域都读过，这里是反过来将其作为特征提取的核。
*对于过滤器执行后的值，应用激活函数——例如ReLU。
*这里对于点积的计算又是对的，5*5*3的两个chunk点积得到的就是75个维度的值。
*这个例子中，按前述的比例最终会得到28*28的激活图层。（*map这里翻译成图，但也要理解其有“映射”这一层意思）
当考虑到另一层，例如绿色过滤器——则有会有相同规模的激活图层。
如果有6个5X5的过滤器，则最终会得到6个独立的激活图层。
参数：用来构成激活图层的一组过滤器和偏置值。（也被称为——特征图）
*按图中的例子，第一个卷积层包含6个5X5X3的过滤器，得到的特征图规模如图。卷积层之间穿插着激活函数（例如图中的ReLU）。
*第二步又应用了10个5X5X6的过滤器，得到的特征图规模如绿色部分所示。
*堆叠的卷积层越多，就越能清晰地确定更大输入范围空间的纹样匹配情况。
间隔：在边缘处增加值，以控制输出的尺寸。
*Padding特指和边缘的空间，也可以翻译成“填充”，但无论哪个翻译都距离其英文原意有一定距离。
步幅：在应用过滤器时一次跨越多少步（格子）。
超参数：
- 过滤器的数量，包含每个的高度和宽度
- 步幅
- 间隔类型
参数：权重、偏置
*这部分课件的介绍略微显得不够充分，建议结合文末附的资料链接一起看。
4 CNN，池层——CNNs –Pooling Layer
4 CNN，池层——CNNs –Pooling Layer
最大值池：记录局部（矩形）范围内的值的最大值。
*看过图形学剔除部分的，这个很类似Hiz算法的思想。
*最后预计算进入池的值如图——对应各自区域的最大值。
*最大值池可以视为对原始样本的一种降采样。上图的左侧可以直观地看出其规模的变化。
- 对于小的变化有适应性。
- 例如：所有输入值向右移（蓝色）；输出值只会有一半受影响
平局值池：计算并存储各子区域的平均值。
*最后预计算进入池的值如图——对应各自区域的平均值。
需要学习多少（额外）参数？——不需要。
优点：
- 基于输入构建一次后就不用变了
- 降低内存需求
- 降低计算量
*这个结构可以类比成渲染管线中的帧缓冲，同样都是预计算+压缩+多次使用的思路。
结语
结语
本篇主要介绍了用过滤器进行特征相似度识别，图像等空间数据经过CNN的过滤器和激活函数，最终能被整体以特征的方式来识别；而对多层卷积的堆叠也可以看作对特征的逐步提取汇总——但我们也能明显感觉到，做到这个程度只是开了个头。
回顾一下最新的图片识别AI的使用情况，在“更快的训练速度”和“更高的精度”方面都有了长足的进步。我们知道比较先进的AI模型有了Transformer，有了推理能力和注意力机制，以及其它能提升训练速度和结果精度的设计——而这个系列后续就会读到人们不断进行优化提升的过程。
下一篇会主要介绍计算机视觉和图像分类，正好和之前读到的几篇形成了呼应。
最后是资料链接：
评论区
共 1 条评论热门最新