卷積神經網絡

卷積神經網絡嘅抽象圖解；隱藏層（藍色嗰柞）嘅一粒細胞負責處理輸入層（紅色嗰浸）當中嘅一橛，唔會同佢負責嗰橛以外嘅部份有連繫。

卷積神經網絡（粵拼：gyun2 zik1 san4 ging1 mong5 lok6；英文：convolutional neural network，ÇNN）係一種深度神經網絡，主要用嚟分析圖像。

概論

一個卷積神經網絡輸入層有

• 若干粒細胞，
• 若干浸隱藏層，同
• 一浸輸出層；

輸入層每粒細胞代表咗一個像素（幅圖片上面嘅某一個點），第一浸隱藏層就每粒細胞相應輸入層嘅某一橛仔－例如第一粒隱藏層細胞負責處理輸入層最左上角嗰 3 x 3 粒像素大嘅一橛仔（令到個網絡能夠處理啲解像度高嘅圖像），而最後輸出層有 10 粒細胞，每一粒輸出層細胞代表咗一個類別；個神經網絡有個演算法能夠由一幅圖片嗰度讀取輸入，所以每當佢讀到一幅圖片嗰陣，佢嘅神經細胞會跟住輸入層嘅啟動，最後輸出層嘅規律就可能提供到「幅圖屬於邊個類別」嘅資訊。

喺電腦入面，一幅圖片可以用數字代表：一幅圖片由好多粒細點（像素）組成，每粒細點都有特定嘅色水；用三原色模式想像嘅話，任何色水都可以由紅、綠、同藍呢三隻原色砌出嚟，所以一個點嘅色水可以用 $[r,g,b]$ 噉嘅陣列代表－當中 $r$ 表示嗰一點嘅紅色量，$g$ 代表嗰點嘅綠色量，而 $b$ 代表嗰點嘅藍色量，而一幅圖片喺部電腦內部可以用類似噉嘅陣列代表：

$[[207,229,78],[141,159,138],[146,109,81],...]$，表示第一個點有 207 個單位咁多嘅紅、229 咁多個單位嘅綠、同 78 個單位咁多嘅藍，如此類推。

演算法

例演算法

一個可以攞嚟將圖片分類嘅卷積神經網絡演算法（監督式學習）大致上如下：

1. 指定「有啲乜嘢類別」同埋啲輸入嘅圖片有幾多像素等嘅資訊；
2. 由目標位置嗰度讀取圖片數據，得到每幅圖片嘅相應陣列，而且每幅圖片都要有個已知嘅類別；
3. 做一啲事前處理（preprocessing），等啲圖片方便由神經網絡處理；
4. 建立一個卷積神經網絡，輸入層嘅細胞係圖片每粒像素嘅色水，而輸出層就係幅圖片「屬乜嘢類別」；
5. 重複噉做監督式學習嘅基本過程（俾個網絡計出佢嘅答案，將佢嘅答案同正確答案相比，再按結果更改柞權重）。

最後如果順利嘅話，呢個神經網絡就會曉分一幅圖片到底係（例如）屬於 A 類定 B 類。

進階種類

卷積神經網絡仲有以下嘅進階種類：

• 反卷積神經網絡（deconvolutional neural network）
• 深度卷積反轉圖像網絡（deep convolutional inverse graphics network）

睇埋

• 電腦圖像
• 深度學習
• 運算創意