Siwindy

首先，我們需要把圖像轉換成神經網絡能夠接受的格式（

表示

圖像如何表示？假設我們有一個圖像，該圖像的大小是646x454。那麼，我們可以用一個[646, 454]的矩陣來表示這個圖像，矩陣中的每個元素對應一個像素。這是一個非常簡單直接的做法。假設我們用1表示對應像素為黑色，用0表示對應像素為白色，那麼我們的矩陣就由大量1和0組成。大概就是這副樣子：

646x454太大了，畫不下，上面是一個4x4的示意圖，你可以把它想象成是由646x454個元素組成的巨大矩陣。

顯然，這個矩陣只能表示真黑白圖像。如果我們要表示灰度圖像，那麼我們可以用一個數字表示像素的亮度（intensity）。比如，下面這個矩陣（同樣需要你發揮想象力，將它想象成一個646x454的巨大矩陣）。

那麼，如果是彩圖怎麼辦？很簡單，再增加一個維度。用[646, 454, 3]表示。（數字3是因為一般我們用RGB系統表示色彩，比如，[1.0, 0.0, 0.0]表示紅色）。

所以，某種意義上說，灰度圖像（也就是我們平常說的黑白照片）才是真2D圖像。;-)

想一想，真3D圖像該怎麼表示？（想到了請留言討論。）

模型

將圖像轉換為矩陣或張量後，我們就可以讓神經網絡學習這些矩陣或張量了。最早的神經網絡就是這麼幹的。當然，這麼幹有一個缺點，就是隻能處理尺寸非常小的圖像，否則算力負擔太重。

所以，後來人們提出了卷積網絡（CNN），大大提升了處理圖像的性能。現在CNN是圖像識別的主流。

（圖為Yann LeCun1994年提出的LeNet5，是最早出現的CNN之一。）

CNN的基本思路很簡單，圖像中有很多空間關係，比如線條什麼的。直接學習像素，不好好利用這些空間關係，太傻了。

從上圖我們可以看到，CNN不同層學習不同層次的空間關係（特徵），從細小的局部的邊緣，逐漸到高層的抽象特徵。

訓練

簡單來說，訓練過程分為以下幾步：

1. 蒐集大量圖像
2. 如果圖像不夠，我們通過數據增強手段生成一些新圖像，比如平移幾個像素，縮放一下圖像，這樣可以避免模型過擬合
3. 將圖像分為訓練集和測試集（比如，按80%和20%的比例切分）
4. 在訓練集上訓練
5. 用測試集評估模型的表現

訓練成功後，就可以將新圖像傳給神經網絡，讓神經網絡自動識別。

關鍵字: 科技 我們 互聯網