卷积神经网络

卷积神经网络 (CNN) 是神经网络的一个特殊子集，具备先进的结构和机器学习能力，使计算机能够自主执行曾经需要人为干预的任务。与美光一起深入探索卷积神经网络的世界，了解其如何推动创新并改变我们的世界。

什么是卷积神经网络？

卷积神经网络的定义：CNN 是一类特殊的人工神经网络，通过深度学习算法直接分析和处理数据。

神经网络是人工智能技术的一个类别，包含卷积神经网络、前馈神经网络、反向传播神经网络等多个子类别。尽管各类神经网络均基于模仿人脑功能这一基本概念，但在结构、数据输入方式和学习过程方面却各不相同。

卷积神经网络与其他类型神经网络的不同之处在于，其能够直接从接收到的数据中学习，并具备独特的结构设计。传统神经网络中，每个节点都与下一层的所有节点相连，但 CNN 并非如此，其层间连接较少。这种独特的架构使其在图像识别和分类等任务中的表现尤为出色，这也是其常被用于计算机视觉领域的原因。

卷积神经网络的工作原理是什么？

卷积神经网络与其他神经网络的基本工作原理相同：包含一个用于输入数据的输入层；若干用于分析数据的处理层；以及一个向用户提供结果、分析或内容的输出层。

由于采用参数共享技术，CNN 在处理图像、视频等视觉数据方面优势尤为突出。与每个节点都与下一层的所有节点相连不同，CNN 对数据元素进行分类，从而避免重复处理相似的数据。

那么，CNN 与其他类型神经网络的工作原理有何不同？ 分层系统的运作方式略有不同，包含三种主要类型的层。

• 卷积层始终是第一层，但也可以有多个卷积层。它通过应用滤波器来检测特征，从而处理输入数据。该层的三个主要组成部分包括输入数据、滤波器和输出特征图。滤波器通过扫描图像以生成特征图，从而识别规律和特征。该过程的关键参数包括：
  • 滤波器数量：决定生成的特征图数量。
  • 步长：定义滤波器的移动步幅，影响输出尺寸。
  • 填充：影响输出尺寸相对于输入尺寸的变化。
• 池化层通过减小特征图尺寸、减少参数数量，同时保留关键信息，来简化来自卷积层的数据。数据会被划分为相似的区域并进行聚合。池化有两种主要类型：
  • 最大池化：选取像素中的最大值。
  • 平均池化：计算像素的平均值。
• 与卷积神经网络中大多数仅部分连接的层不同，全连接层中的每个节点均与上一层的每个节点相连，从而可将特征分类为最终输出。

卷积神经网络的发展历程是怎样的？

神经网络技术的发展可追溯至 20 世纪 40 年代，但卷积神经网络的出现则要晚得多。

• 1980 年，新认知机：1980 年，Kunihiko Fukushima 提出了新认知机模型，该模型包含两类层。其中 S 层（后被命名为卷积层）通过应用滤波器来检测输入数据中的特征。C 层与现代的池化层类似，通过降低数据的空间维度，有助于整合信息并降低计算复杂度。
• 20 世纪 80 年代末，CNN 的开发：从神经网络到 CNN 的发展进程中，LeNet 是关键演进节点。Yann LeCun 等人将该系统开发为数字识别模型，但其包含卷积层、池化层与全连接层的架构为卷积神经网络奠定了基础。
• 21 世纪 00 年代，突破性技术：历经二十年的发展，CNN 于 21 世纪 00 年代成为一项重要技术。图形处理单元的加速，对于机器学习的进一步发展起到了关键作用。
• 21 世纪 10 年代，高性能 CNN：21 世纪 10 年代，CNN 在图像识别方面达到了超越人类的水平；与此同时，生成式 AI 技术的发展，为基于 CNN 生成增强内容带来了新的可能。
• 21 世纪 20 年代，现代技术进展：21 世纪 20 年代，CNN 架构取得了显著进展，例如 ConvNeXt 的开发。该新型架构融合了传统卷积网络的优势与受 Transformer 启发的现代设计元素，在目标检测、语义分割等任务中表现出色。此外，CNN 与其他 AI 技术的集成，进一步拓展了其在医学影像、自动驾驶等多个领域的应用。

卷积神经网络有哪些主要类型？

传统神经网络本身是神经网络技术的一个子集，专门用于处理空间数据。尽管 CNN 的使用和应用方式多样，且许多 CNN 模型具备特定的特征和优势，但 CNN 本身并不存在子集或类型之分。

卷积神经网络是如何应用的？

卷积神经网络支撑着我们日益依赖的许多 AI 技术，因此应用场景十分广泛。其中最具前景的应用领域包括医学影像和自动驾驶汽车。

通过增强医学影像，CNN 为更高效、自动化的医疗状况识别和诊断提供了途径。利用卷积神经网络处理医学 X 光片和 CT 扫描等视觉媒介，医疗专业人员可借助 AI 的力量，发现那些可能被忽略的问题。通过将视觉评估工作交由高效的 CNN 模型处理，医学影像处理能够实现更流畅、更高效的诊断。

另一种使用卷积神经网络的新兴技术是自动驾驶汽车。自动驾驶技术所依赖的复杂系统互操作性，需以 CNN 作为技术支撑。自动驾驶汽车必须实时持续评估目标物体和运动轨迹，通常需要同时处理多种数据类型。强大的 CNN 使这种持续评估成为可能。