3分钟看懂图像识别和卷积神经网络

MadSUNitist:
up主，最后关于全连接网络这一块有错误。 全连接层并不是和样本的特征向量进行对比，而是可以理解成一个函数，把展开后的数组扔进去，输出的是图片属于各个类的概率。 全连接层和卷积层一样，是有自己的参数的，这些参数和卷积层的卷积核一样是训练而来。 训练的过程就是利用梯度下降法(和它的变种)，最小化误差函数，从而最优化模型，而不是保存特征向量并进行比对。

【回复】对全连接层的功能，说成把样本的特征向量进行对比也是可以的。 这里的可以把输入的数据看出一个“超向量”，然后和‘’目标超向量‘’进行对比，把对比的误差反向传播，不断调整全连接层的参数，不断反复，最终让误差小于一个给定值，就算训练好了。
【回复】回复 @本杰明巴顿2010 :我认为全连接层还是理解为特征空间到标记空间的一个映射比较好，而分类问题上，后跟的softmax则是将输出转为概率，所以我将全连接层看作一个将特征向量映射到特征向量属于各类的概率的函数。（仅仅是个人观点
【回复】感谢指正[支持][支持][支持]
人工智能小菜鸡:
这个卷积核是算法自己匹配还是自己设置呢？

【回复】卷积核就是要学习的东西
海瑞云游戏:
实际上很多图像连人都无法识别出来正确的东西。只能认为出一个最接近的东西。然后大多数人认为是这个东西，那么他就是这个东西。

【回复】能够当全自动工具使用就行了
王城-:
请问是不是就意味着想识别一张图片。 需要先把图片经过:卷积层->池化层->全连接层。然后把最后的特征保存？ 以后想识别图片就把图片按以上步骤执行一遍，最后和上面保存的特征比较？

【回复】比如想要识别汽车，就要找成千上万的汽车照片作为正样本进行训练，获取特征参数，实际进行识别时就跟这个参数对比就好了
【回复】数据库是机器学习的核心
【回复】回复 @晨哥搞飞机 :嗯，多谢。一种图片一种特征[星星眼]
marie的粉丝:
也就是说这是用来识别的，然后根据数据近似度来判断图像相似度？那如果想要逆向得到原始图片呢？

【回复】基于目前现有的条件不可100%逆向获取原始图像，因为卷积核与池化部分会信息丢失
【回复】昨天刚看了imagenet13年分类冠军zfnet的论文 里面提到池化操作是不可逆的 只能近似还原
【回复】回复 @Anubius1 :有道理，第一步卷积就是损耗性压缩了
狗儿要出嫁:
只得其形，不得其神，离理解分类的本质还差的很远

湘北篮球队十号选手:
最后是相当于有一个库？把识别到的图像转换成一个数值去比对？数值最接近的就是那个物体？

hello-video:
学习了，感谢大佬分享啊！ btw：俺用的MyHomeABC导航，非常好cool nice。 集成了很多优质资源，朋友们可以feel一下----！

【回复】不错不错，ui还有优化空间
奇妙世界里有个美胜:
这个世界就需要像你这样的老师。[害羞]

沐春阳子:
这个up太厉害了，每次的知识都讲的好清楚，对于我这种小白起到一个很好的入门作用。

教练刘哥:
很受启发，有些问题想请教一下，就是后面那个关于相似度的计算方法是什么？0.92和0.43是如何计算得到的？用了余弦相似度好像不对。能否有大侠指点一下，谢谢！

VANK-VANK:
。。。。误人子弟了这算是，别人都是拿权重和去，偏置，哪里有保存特征数组这一说