{"resolved":true,"match_type":"uuid","source_type":"original_book","book_id":"cd4f7678-cd9b-4971-bde0-e9ad46a6cc71","title":"人工智能与大数据技术导论","author":null,"edition":null,"publisher":null,"year":null,"isbn":"9787302517986","requested_by":"printed_page","book":{"source_type":"original_book","book_id":"cd4f7678-cd9b-4971-bde0-e9ad46a6cc71","id":"cd4f7678-cd9b-4971-bde0-e9ad46a6cc71","uuid":"cd4f7678-cd9b-4971-bde0-e9ad46a6cc71","title":"人工智能与大数据技术导论","normalized_title":"人工智能与大数据技术导论","author":null,"edition":null,"publisher":null,"year":null,"isbn":"9787302517986","isbns":["9787302517986"],"parsed":true,"ai_readable":true,"document_type":"book","page_count":490,"navigation_url":"https://workshop.closeclaw.top/ai/book/cd4f7678-cd9b-4971-bde0-e9ad46a6cc71","title_url":"https://workshop.closeclaw.top/ai/title/%E4%BA%BA%E5%B7%A5%E6%99%BA%E8%83%BD%E4%B8%8E%E5%A4%A7%E6%95%B0%E6%8D%AE%E6%8A%80%E6%9C%AF%E5%AF%BC%E8%AE%BA","fixed_page_url_template":"https://workshop.closeclaw.top/ai/book/cd4f7678-cd9b-4971-bde0-e9ad46a6cc71/page/{printed_page}","path_api_url_template":"https://workshop.closeclaw.top/api/ai/book/cd4f7678-cd9b-4971-bde0-e9ad46a6cc71/page/{printed_page}","read_url":"https://workshop.closeclaw.top/api/ai/read/cd4f7678-cd9b-4971-bde0-e9ad46a6cc71","page_url":"https://workshop.closeclaw.top/api/ai/books/cd4f7678-cd9b-4971-bde0-e9ad46a6cc71/page","search_url":"https://workshop.closeclaw.top/api/ai/books/cd4f7678-cd9b-4971-bde0-e9ad46a6cc71/search"},"page":{"printed_page":205,"pdf_page":221,"physical_index":221,"physical_index_base":0,"printed_page_status":"recognized","page_sha256":"d791b092d8cb528494a93a63952fb6fa543963a8aeaa847a9bb9a9276961f369"},"chapter":"第7章","content":"假设我们有一个32\\*32\\*3格式的图片，将这个图片与一个5\\*5的卷积核进行卷积，将可以得到一个28\\*28的矩阵。这里输入数据中的第三个维度，也就是频道数，在卷积过程中求和，所以输出数据的第三个维度为1，而不是3。\n\n卷积层是卷积神经网络的重要组成部分。卷积层顾名思义是对（上一层的）输入数据进行卷积运算，将得到的结果传递给下一层。那么卷积层有什么作用呢？卷积运算的目的是提取输入的不同特征，第一层卷积层可能只能提取一些低级的特征，如边缘、线条和角等层级，更多层的网络能从低级特征中迭代提取更复杂的特征。卷积神经网络由多个上述这样结构的卷积层组成。除了卷积层之外，还包括池化（Pooling）层和全连接（FullConnection）层。\n\n池化层实际上是一种形式的向下采样。有多种不同形式的非线性池化函数，而其中最大池化（MaxPooling）和平均采样是最为常见的。Pooling层相当于把一张分辨率较高的图片转化为分辨率较低的图片。Pooling层可进一步缩小最后全连接层中节点的个数，从而达到减少整个神经网络中参数的目的。全连接层使用与普通神经网络一样的连接方式，一般都在最后几层。\n\n7.4.3 CNN 实例\n\n我们的任务是从几万张带标签的手写数字图片中训练一个分类器，来正确识别图片所写的数字。数据集由阿拉伯数字0\\~9组成。该数据集来自经典的手写体图片数据库MINST，用于设计算法和模型，被称为计算机视觉领域的“HelloWorld”，如图7-18所示。\n\n这个数据集中，每个样本代表一个数字图片，图片全部是黑白的。在这个案例中，我们会用到CNN作为分类器，具体会用到LeNet-5神经网络结构。LeNet-5是一种经典的卷积神经网络结构，由YannLeCun发明，专业用于识别手写体和印刷体文字，并且表现得十分出色。我们以这个任务为情景，以LeNet-5为分类器模型，来介绍TensorFlow是如何完成卷积神经网络的识别任务的（TensorFlow会在后面三章中详细讲解）。识别过程如图7-19所示。\n\n第7章 深度学习\n\n205","previous_page":204,"next_page":206}