评述使用Scikit的动手机器学习-学习、Kera和TensorFlow，作者Aur©Lien G ao©Ron

摘要

本章向我们介绍了卷积神经网络的概念，并向我们介绍了与计算机视觉问题相关的多个示例和技术。卷积神经网络是一种多层感知器，它将图像构建成越来越大的块，使模型能够识别和了解图像。与密集层不同，卷积层™不会将其节点连接到下一层中的每个节点，而是只连接到当前节点附近的几个节点。这代表了CNN如何识别图像的一小部分并构建它们的方式，而不是一开始只看整个图像。

卷积层

卷积层表示机器可以学习识别的小多维块中的图像，而不是直接在一张大图像上学习，这可能会导致根据某些属性在页面上的位置进行过度拟合或识别。这些块是多维的，因为它们通常由图像的高度和宽度以及传送图片的通道(通常是RGB值)定义。这些图像基本上被分解成咬合大小的多维块，然后在整个神经网络中重建。

建筑设计

本章向我们介绍了在过去十年中在计算机视觉中使用的许多体系结构。这包括Alexnet、GoogLeNet和SENET等架构，以及用于赢得ImageNet挑战的其他架构。我喜欢提供这些例子的原因是它同时教会了我们关于计算机视觉技术和历史的知识。我通过这些模型学到的一件大事是，随着时间的推移，这些模型变得越来越深入。第一个架构只有8层，而最近的模型包括数百层，并包含了SkipConnections等技巧。

我的想法

这是一个极其广泛的章节，与前面的许多章节一样，它更多地关注示例而不是技术内容。然而，这些例子非常有帮助，因为它们展示了我们在书的后半部分建立的技术，并将它们与我们所学到的卷积神经网络一起应用到现实世界中的例子中，我们可以在未来以这些例子为我们自己的模型建模。

感谢您的阅读！

如果您有任何问题或反馈，请通过twitter@wtothdev联系我或留言！

此外，我要非常感谢Aurç©Lien G ao©Ron写了这么好的一本书。你可以在这里购买这本书(非会员)。Aurélien Géron here

免责声明：我没有从引用的任何服务中赚取任何利润，我选择阅读和评论这本书是出于我自己的自由意愿。