卷積神經(jīng)網(wǎng)絡(luò)輸出的特征矩陣？卷積神經(jīng)網(wǎng)絡(luò)比較多有200元以內(nèi)三大特征：1)只是局部連接以前我們呢介紹的前饋神經(jīng)網(wǎng)絡(luò)相鄰的兩層之間，前一層的每一個(gè)神經(jīng)元（或是是輸入輸入層的每一個(gè)單元）與后一層的每一個(gè)神

卷積神經(jīng)網(wǎng)絡(luò)輸出的特征矩陣？

卷積神經(jīng)網(wǎng)絡(luò)比較多有200元以內(nèi)三大特征：

1)只是局部連接

以前我們呢介紹的前饋神經(jīng)網(wǎng)絡(luò)相鄰的兩層之間，前一層的每一個(gè)神經(jīng)元（或是是輸入輸入層的每一個(gè)單元）與后一層的每一個(gè)神經(jīng)元都有吧連接上，那種情況稱(chēng)為全連接到。全連接網(wǎng)絡(luò)的一個(gè)缺點(diǎn)就是參數(shù)太多。假設(shè)我們鍵入神經(jīng)網(wǎng)絡(luò)中的是一張三通道的彩片，圖片大小為128×128，這樣，輸入層就有128×128×349150個(gè)單元。

可以使用全再連接神經(jīng)網(wǎng)絡(luò)的話，輸入輸入層到第一層隱藏地層的每一個(gè)神經(jīng)元都有49150個(gè)連接，隨著網(wǎng)絡(luò)層數(shù)的增加和每一層中神經(jīng)元數(shù)量的增加，網(wǎng)絡(luò)中的參數(shù)也會(huì)劇烈提高。大量的參數(shù)不但會(huì)拉低神經(jīng)網(wǎng)絡(luò)訓(xùn)練的效率，也會(huì)容易會(huì)造成過(guò)擬合。

在卷積神經(jīng)網(wǎng)絡(luò)中，層與層之間再次是全連接，反而局部皮膚連接到，具體看的實(shí)現(xiàn)方法那是卷積層你操作。

2)權(quán)值共享

在卷積神經(jīng)網(wǎng)絡(luò)中，每一層卷積層中都會(huì)有一個(gè)或者多個(gè)卷積核（也一般稱(chēng)濾波器）。這些卷積核可以不識(shí)別圖片中某些某個(gè)特定的特征，每個(gè)卷積核會(huì)去向上滑卷積上一層的特征圖，在卷積層的過(guò)程中卷積核核的參數(shù)是減少且互相訪問(wèn)的。

那樣在訓(xùn)練過(guò)程中，與之前的全再連接神經(jīng)網(wǎng)絡(luò)訓(xùn)練大尺度輸入樣本時(shí)需要大量參數(shù)兩者相比，卷積神經(jīng)網(wǎng)絡(luò)只不需要少得多的參數(shù)就可以不能夠完成訓(xùn)練。

3)子采樣

子樣本采樣層（Subsampling Layer），也稱(chēng)為池化層（Pooling Layer），作用是對(duì)上一卷積層并且聚合，使得上一層卷積層的輸入特征圖尺寸在當(dāng)經(jīng)過(guò)該子重新采樣層的聚合（即池化）后越小，最大限度地降底特征和參數(shù)的數(shù)量。子樣本采樣層所做的事，反正那是對(duì)上一層卷積層進(jìn)行掃描儀，有時(shí)候掃描某種特定區(qū)域，后再算出該區(qū)域特征的比較大值（比較大池化，Maximum Pooling）或則平均值（總平均池化，MeanPooling），另外該區(qū)域特征的可以表示。

以上三個(gè)特征使得卷積神經(jīng)網(wǎng)絡(luò)具有一定程度上的縮放、平移和旋轉(zhuǎn)不變性，另外相較于全連接到神經(jīng)網(wǎng)絡(luò)，其網(wǎng)絡(luò)參數(shù)也少了很多。

如何通過(guò)人工神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)圖像識(shí)別？

人工神經(jīng)網(wǎng)絡(luò)充當(dāng)一個(gè)新技術(shù)正不時(shí)融入其中各個(gè)學(xué)科，其獨(dú)有的優(yōu)勢(shì)在數(shù)字圖像處理中也換取了不錯(cuò)的句子修辭。根據(jù)卷積神經(jīng)網(wǎng)絡(luò)做圖像識(shí)別，則是一個(gè)相當(dāng)火的方向，如阿里云不能識(shí)別，只要你上傳正二十邊形一張圖像就能無(wú)法識(shí)別出圖中有人那就有花等，那這到底是咋實(shí)現(xiàn)的呢？

下面我們就以該如何神經(jīng)網(wǎng)絡(luò)識(shí)別人物形象來(lái)說(shuō)事。

假設(shè)不成立有一張女人的圖像：

這是兩張大小為350x450的圖像，那現(xiàn)在我們?cè)谌斯ぶ悄芾镌O(shè)定，如果不是在注意到其他的圖，如果其大小為350x450，因此所有像素點(diǎn)跟上面這張圖一般，那你不能判斷圖中的人是女的。

很顯然，在海量藏書(shū)的圖像里除此之外這張能再找到完全完全不一樣的才怪。那怎么辦啊嘞，每個(gè)人都長(zhǎng)的是一樣的，有的白有一點(diǎn)，有的黑點(diǎn)，就算是同一個(gè)女人，也有可能她吃我胖了，那豈不是認(rèn)不出來(lái)了？

過(guò)了一會(huì)兒神經(jīng)網(wǎng)絡(luò)能發(fā)揮作用了，我們看這張圖時(shí)看見(jiàn)了了什么特征？帽子、長(zhǎng)發(fā)、卷發(fā)、大眼睛但是還露背裝了。

再講幫一下忙，頭發(fā)是紅色的，紅色的像素亮度低，頭發(fā)象是一朵的，卷發(fā)是打卷的，大眼睛在整個(gè)臉部占比多一點(diǎn)兒，以前大都廢話，但對(duì)此神經(jīng)網(wǎng)絡(luò)不是，這都是特征。

若我們有10萬(wàn)張長(zhǎng)發(fā)的人的圖像，讓神經(jīng)總結(jié)所有圖中像素點(diǎn)的位置和像素點(diǎn)的值的聯(lián)合起來(lái)點(diǎn)，到了最后會(huì)能得到一個(gè)網(wǎng)絡(luò)，如果能跟這個(gè)網(wǎng)絡(luò)里記憶的特征是一樣的或者幾乎一樣的是會(huì)被定義法為長(zhǎng)發(fā)。10萬(wàn)個(gè)長(zhǎng)發(fā)發(fā)型樣本幾乎完全覆蓋了所有能想到的發(fā)型，當(dāng)再拿張長(zhǎng)發(fā)的人的圖像來(lái)是從網(wǎng)絡(luò)，變會(huì)查到一個(gè)大多數(shù)女人的特征：長(zhǎng)發(fā)。

那該沒(méi)有人問(wèn)了，這那就沒(méi)法知道圖中的人是男是女啊，有的動(dòng)物也長(zhǎng)發(fā)，諸如馬。。。。。。

那我們?cè)僭黾犹卣鲉h，10萬(wàn)張嘴的特征，10萬(wàn)張鼻子的特征等，老老實(shí)實(shí)往上加，每一個(gè)物種都是其聯(lián)合起來(lái)特征和獨(dú)有特征。

如果我在人工智能里符號(hào)表示一個(gè)女人是需要行最簡(jiǎn)形矩陣100個(gè)特征，那就在海量的圖像里如果能行最簡(jiǎn)形矩陣這100個(gè)我們定義的特征，這樣她是女人。