-
當(dāng)前位置:首頁 > 創(chuàng)意學(xué)院 > 技術(shù) > 專題列表 > 正文
信息領(lǐng)域中的應(yīng)用:信息處理、模式識別、數(shù)據(jù)壓縮等。
自動化領(lǐng)域:系統(tǒng)辨識、神經(jīng)控制器、智能檢測等。
工程領(lǐng)域:汽車工程、軍事工程、化學(xué)工程、水利工程等。
在醫(yī)學(xué)中的應(yīng)用:生物信號的檢測與分析、生物活性研究、醫(yī)學(xué)專家系統(tǒng)等。
經(jīng)濟領(lǐng)域的應(yīng)用:市場價格預(yù)測、風(fēng)險評估等。
圖神經(jīng)網(wǎng)絡(luò)解決什么問題
大家好!今天讓創(chuàng)意嶺的小編來大家介紹下關(guān)于圖神經(jīng)網(wǎng)絡(luò)解決什么問題的問題,以下是小編對此問題的歸納整理,讓我們一起來看看吧。
開始之前先推薦一個非常厲害的Ai人工智能工具,一鍵生成原創(chuàng)文章、方案、文案、工作計劃、工作報告、論文、代碼、作文、做題和對話答疑等等
只需要輸入關(guān)鍵詞,就能返回你想要的內(nèi)容,越精準(zhǔn),寫出的就越詳細(xì),有微信小程序端、在線網(wǎng)頁版、PC客戶端
官網(wǎng):https://ai.de1919.com。
創(chuàng)意嶺作為行業(yè)內(nèi)優(yōu)秀的企業(yè),服務(wù)客戶遍布全球各地,如需了解SEO相關(guān)業(yè)務(wù)請撥打電話175-8598-2043,或添加微信:1454722008
本文目錄:
一、神經(jīng)網(wǎng)絡(luò)到底能干什么?
神經(jīng)網(wǎng)絡(luò)利用現(xiàn)有的數(shù)據(jù)找出輸入與輸出之間得權(quán)值關(guān)系(近似),然后利用這樣的權(quán)值關(guān)系進行仿真,例如輸入一組數(shù)據(jù)仿真出輸出結(jié)果,當(dāng)然你的輸入要和訓(xùn)練時采用的數(shù)據(jù)集在一個范疇之內(nèi)。例如預(yù)報天氣:溫度 濕度 氣壓等作為輸入 天氣情況作為輸出利用歷史得輸入輸出關(guān)系訓(xùn)練出神經(jīng)網(wǎng)絡(luò),然后利用這樣的神經(jīng)網(wǎng)絡(luò)輸入今天的溫度 濕度 氣壓等 得出即將得天氣情況當(dāng)然這樣的例子不夠精確,但是神經(jīng)網(wǎng)絡(luò)得典型應(yīng)用了。希望采納!
二、圖神經(jīng)網(wǎng)絡(luò)讀博好嗎
好。圖神經(jīng)網(wǎng)絡(luò)將深度學(xué)習(xí)的預(yù)測能力應(yīng)用于豐富的數(shù)據(jù)結(jié)構(gòu)中,這些數(shù)據(jù)結(jié)構(gòu)將物體及其對應(yīng)關(guān)系描述為圖中用線連成的點,圖神經(jīng)網(wǎng)絡(luò)讀博好。在圖神經(jīng)網(wǎng)絡(luò)中,被稱為“節(jié)點”的數(shù)據(jù)點通過被稱為“邊”的線連接,各種元素均以數(shù)學(xué)形式表達(dá),這使機器學(xué)習(xí)算法可以在節(jié)點、邊或整個圖的層面做出有用的預(yù)測。
三、人工神經(jīng)網(wǎng)絡(luò)可以解決哪些問題
此外還有很多應(yīng)用,比如交通領(lǐng)域的應(yīng)用,心理學(xué)領(lǐng)域的應(yīng)用等等。神經(jīng)網(wǎng)絡(luò)的應(yīng)用領(lǐng)域是非常廣的。
四、一文看懂卷積神經(jīng)網(wǎng)絡(luò)-CNN(基本原理+獨特價值+實際應(yīng)用)
在 CNN 出現(xiàn)之前,圖像對于人工智能來說是一個難題,有2個原因:
圖像需要處理的數(shù)據(jù)量太大,導(dǎo)致成本很高,效率很低
圖像在數(shù)字化的過程中很難保留原有的特征,導(dǎo)致圖像處理的準(zhǔn)確率不高
下面就詳細(xì)說明一下這2個問題:
圖像是由像素構(gòu)成的,每個像素又是由顏色構(gòu)成的。
現(xiàn)在隨隨便便一張圖片都是 1000×1000 像素以上的, 每個像素都有RGB 3個參數(shù)來表示顏色信息。
假如我們處理一張 1000×1000 像素的圖片,我們就需要處理3百萬個參數(shù)!
1000×1000×3=3,000,000
這么大量的數(shù)據(jù)處理起來是非常消耗資源的,而且這只是一張不算太大的圖片!
卷積神經(jīng)網(wǎng)絡(luò) – CNN 解決的第一個問題就是「將復(fù)雜問題簡化」,把大量參數(shù)降維成少量參數(shù),再做處理。
更重要的是:我們在大部分場景下,降維并不會影響結(jié)果。比如1000像素的圖片縮小成200像素,并不影響肉眼認(rèn)出來圖片中是一只貓還是一只狗,機器也是如此。
圖片數(shù)字化的傳統(tǒng)方式我們簡化一下,就類似下圖的過程:
假如有圓形是1,沒有圓形是0,那么圓形的位置不同就會產(chǎn)生完全不同的數(shù)據(jù)表達(dá)。但是從視覺的角度來看, 圖像的內(nèi)容(本質(zhì))并沒有發(fā)生變化,只是位置發(fā)生了變化 。
所以當(dāng)我們移動圖像中的物體,用傳統(tǒng)的方式的得出來的參數(shù)會差異很大!這是不符合圖像處理的要求的。
而 CNN 解決了這個問題,他用類似視覺的方式保留了圖像的特征,當(dāng)圖像做翻轉(zhuǎn),旋轉(zhuǎn)或者變換位置時,它也能有效的識別出來是類似的圖像。
那么卷積神經(jīng)網(wǎng)絡(luò)是如何實現(xiàn)的呢?在我們了解 CNN 原理之前,先來看看人類的視覺原理是什么?
深度學(xué)習(xí)的許多研究成果,離不開對大腦認(rèn)知原理的研究,尤其是視覺原理的研究。
1981 年的諾貝爾醫(yī)學(xué)獎,頒發(fā)給了 David Hubel(出生于加拿大的美國神經(jīng)生物學(xué)家) 和TorstenWiesel,以及 Roger Sperry。前兩位的主要貢獻,是“ 發(fā)現(xiàn)了視覺系統(tǒng)的信息處理 ”,可視皮層是分級的。
人類的視覺原理如下:從原始信號攝入開始(瞳孔攝入像素 Pixels),接著做初步處理(大腦皮層某些細(xì)胞發(fā)現(xiàn)邊緣和方向),然后抽象(大腦判定,眼前的物體的形狀,是圓形的),然后進一步抽象(大腦進一步判定該物體是只氣球)。下面是人腦進行人臉識別的一個示例:
對于不同的物體,人類視覺也是通過這樣逐層分級,來進行認(rèn)知的:
我們可以看到,在最底層特征基本上是類似的,就是各種邊緣,越往上,越能提取出此類物體的一些特征(輪子、眼睛、軀干等),到最上層,不同的高級特征最終組合成相應(yīng)的圖像,從而能夠讓人類準(zhǔn)確的區(qū)分不同的物體。
那么我們可以很自然的想到:可以不可以模仿人類大腦的這個特點,構(gòu)造多層的神經(jīng)網(wǎng)絡(luò),較低層的識別初級的圖像特征,若干底層特征組成更上一層特征,最終通過多個層級的組合,最終在頂層做出分類呢?
答案是肯定的,這也是許多深度學(xué)習(xí)算法(包括CNN)的靈感來源。
典型的 CNN 由3個部分構(gòu)成:
卷積層
池化層
全連接層
如果簡單來描述的話:
卷積層負(fù)責(zé)提取圖像中的局部特征;池化層用來大幅降低參數(shù)量級(降維);全連接層類似傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的部分,用來輸出想要的結(jié)果。
下面的原理解釋為了通俗易懂,忽略了很多技術(shù)細(xì)節(jié),如果大家對詳細(xì)的原理感興趣,可以看這個視頻《 卷積神經(jīng)網(wǎng)絡(luò)基礎(chǔ) 》。
卷積層的運算過程如下圖,用一個卷積核掃完整張圖片:
這個過程我們可以理解為我們使用一個過濾器(卷積核)來過濾圖像的各個小區(qū)域,從而得到這些小區(qū)域的特征值。
在具體應(yīng)用中,往往有多個卷積核,可以認(rèn)為,每個卷積核代表了一種圖像模式,如果某個圖像塊與此卷積核卷積出的值大,則認(rèn)為此圖像塊十分接近于此卷積核。如果我們設(shè)計了6個卷積核,可以理解:我們認(rèn)為這個圖像上有6種底層紋理模式,也就是我們用6中基礎(chǔ)模式就能描繪出一副圖像。以下就是25種不同的卷積核的示例:
總結(jié):卷積層的通過卷積核的過濾提取出圖片中局部的特征,跟上面提到的人類視覺的特征提取類似。
池化層簡單說就是下采樣,他可以大大降低數(shù)據(jù)的維度。其過程如下:
上圖中,我們可以看到,原始圖片是20×20的,我們對其進行下采樣,采樣窗口為10×10,最終將其下采樣成為一個2×2大小的特征圖。
之所以這么做的原因,是因為即使做完了卷積,圖像仍然很大(因為卷積核比較?。?,所以為了降低數(shù)據(jù)維度,就進行下采樣。
總結(jié):池化層相比卷積層可以更有效的降低數(shù)據(jù)維度,這么做不但可以大大減少運算量,還可以有效的避免過擬合。
這個部分就是最后一步了,經(jīng)過卷積層和池化層處理過的數(shù)據(jù)輸入到全連接層,得到最終想要的結(jié)果。
經(jīng)過卷積層和池化層降維過的數(shù)據(jù),全連接層才能”跑得動”,不然數(shù)據(jù)量太大,計算成本高,效率低下。
典型的 CNN 并非只是上面提到的3層結(jié)構(gòu),而是多層結(jié)構(gòu),例如 LeNet-5 的結(jié)構(gòu)就如下圖所示:
卷積層 – 池化層- 卷積層 – 池化層 – 卷積層 – 全連接層
在了解了 CNN 的基本原理后,我們重點說一下 CNN 的實際應(yīng)用有哪些。
卷積神經(jīng)網(wǎng)絡(luò) – CNN 很擅長處理圖像。而視頻是圖像的疊加,所以同樣擅長處理視頻內(nèi)容。下面給大家列一些比較成熟的應(yīng)用�:
圖像分類、檢索
圖像分類是比較基礎(chǔ)的應(yīng)用,他可以節(jié)省大量的人工成本,將圖像進行有效的分類。對于一些特定領(lǐng)域的圖片,分類的準(zhǔn)確率可以達(dá)到 95%+,已經(jīng)算是一個可用性很高的應(yīng)用了。
典型場景:圖像搜索…
目標(biāo)定位檢測
可以在圖像中定位目標(biāo),并確定目標(biāo)的位置及大小。
典型場景:自動駕駛、安防、醫(yī)療…
目標(biāo)分割
簡單理解就是一個像素級的分類。
他可以對前景和背景進行像素級的區(qū)分、再高級一點還可以識別出目標(biāo)并且對目標(biāo)進行分類。
典型場景:美圖秀秀、視頻后期加工、圖像生成…
人臉識別
人臉識別已經(jīng)是一個非常普及的應(yīng)用了,在很多領(lǐng)域都有廣泛的應(yīng)用。
典型場景:安防、金融、生活…
骨骼識別
骨骼識別是可以識別身體的關(guān)鍵骨骼,以及追蹤骨骼的動作。
典型場景:安防、電影、圖像視頻生成、游戲…
今天我們介紹了 CNN 的價值、基本原理和應(yīng)用場景,簡單總結(jié)如下:
CNN 的價值:
能夠?qū)⒋髷?shù)據(jù)量的圖片有效的降維成小數(shù)據(jù)量(并不影響結(jié)果)
能夠保留圖片的特征,類似人類的視覺原理
CNN 的基本原理:
卷積層 – 主要作用是保留圖片的特征
池化層 – 主要作用是把數(shù)據(jù)降維,可以有效的避免過擬合
全連接層 – 根據(jù)不同任務(wù)輸出我們想要的結(jié)果
CNN 的實際應(yīng)用:
圖片分類、檢索
目標(biāo)定位檢測
目標(biāo)分割
人臉識別
骨骼識別
本文首發(fā)在 easyAI - 人工智能知識庫
《 一文看懂卷積神經(jīng)網(wǎng)絡(luò)-CNN(基本原理+獨特價值+實際應(yīng)用) 》
以上就是關(guān)于圖神經(jīng)網(wǎng)絡(luò)解決什么問題相關(guān)問題的回答。希望能幫到你,如有更多相關(guān)問題,您也可以聯(lián)系我們的客服進行咨詢,客服也會為您講解更多精彩的知識和內(nèi)容。
推薦閱讀:
石材裝飾園林景觀設(shè)計(石材裝飾園林景觀設(shè)計圖)