神经网络如何处理相关图像数据
How does a neural network work with correlated image data
我是 TensorFlow 和深度学习的新手。我正在尝试创建一个用于图像处理的完全连接的神经网络。我有点困惑。
我们有一张图片，比如 28x28 像素。这将为 NN 提供 784 个输入。对于不相关的输入，这很好，但图像像素通常是相关的。例如，考虑一张牛眼的图片。当我们将所有像素排列在一个阵列中以形成一个全连接网络时，神经网络如何理解这一点。它如何确定相关性？
请研究一些关于 CNN（卷积神经网络）的教程； here 是您的起点。 NN 的完全连接层放弃了它可能与输入相关的 所有 相关信息。在结构上，它实现了输入在统计上独立的原则。
或者，卷积层取决于输入的物理组织（例如像素邻接），使用它来查找特征从一层到另一层的简单组合（卷积）。
底线：你的神经网络没有找到相关性：拓扑错误，无法完成你想要的工作。
另外，请注意，由具有线性权重组合的全连接神经元组成的分层网络不是深度学习。深度学习至少有一个隐藏层，一种促进 "understanding" 中间结构的拓扑结构。纯线性、全连接的分层不提供此类隐藏层。即使您对隐藏层进行编程，输出仍然是输入的简单线性组合。
深度学习需要一些其他的判别，例如卷积、池化、整流或其他非线性组合。
让我们冷静下来了解 NN 学习预测背后的直觉。
要预测给定图像的 class，我们必须找到它的一次输入值与 class 之间的相关性或直接 link。我们可以考虑找到一个像素可以告诉我们这张图片属于这张class。这是不可能的，所以我们要做的是构建更复杂的功能，或者我们称之为复杂功能。这将帮助我们找到生成与想要的 class 相关的数据。
为了更简单，假设您想在这两种情况下构建 AND 函数（p 和 q），OR 函数（p 或 q），在输入和输出之间有一个直接的 link。 in 和函数，如果输入中有 0，则输出始终为零。那么如果我们想要 xor 函数 (p xor q) 在输入和输出之间没有直接的 link 怎么办。答案是构建第一层 class 化 AND 和 OR 然后通过第二层获取第一层的结果我们可以构建函数并 class 化 XOR 函数
(p xor q) = (p or q) 而不是 (p and q)
通过在多层 NN 上应用此方法，您将获得相同的结果。但是你将不得不处理大量的参数。避免这种情况的一种解决方案是提取图像之间的代表性、方差和不相关的特征，并从图像中与它们 class 相关，并将其馈送到网络。你可以在网上寻找图像特征提取。
这是一个关于如何查看图像及其 class 之间的 link 以及神经网络如何 class 化它们的小解释。您需要了解 NN 概念，然后才能阅读有关深度学习的内容。
我是 TensorFlow 和深度学习的新手。我正在尝试创建一个用于图像处理的完全连接的神经网络。我有点困惑。
我们有一张图片，比如 28x28 像素。这将为 NN 提供 784 个输入。对于不相关的输入，这很好，但图像像素通常是相关的。例如，考虑一张牛眼的图片。当我们将所有像素排列在一个阵列中以形成一个全连接网络时，神经网络如何理解这一点。它如何确定相关性？
请研究一些关于 CNN（卷积神经网络）的教程； here 是您的起点。 NN 的完全连接层放弃了它可能与输入相关的 所有 相关信息。在结构上，它实现了输入在统计上独立的原则。
或者，卷积层取决于输入的物理组织（例如像素邻接），使用它来查找特征从一层到另一层的简单组合（卷积）。
底线：你的神经网络没有找到相关性：拓扑错误，无法完成你想要的工作。
另外，请注意，由具有线性权重组合的全连接神经元组成的分层网络不是深度学习。深度学习至少有一个隐藏层，一种促进 "understanding" 中间结构的拓扑结构。纯线性、全连接的分层不提供此类隐藏层。即使您对隐藏层进行编程，输出仍然是输入的简单线性组合。
深度学习需要一些其他的判别，例如卷积、池化、整流或其他非线性组合。
让我们冷静下来了解 NN 学习预测背后的直觉。
要预测给定图像的 class，我们必须找到它的一次输入值与 class 之间的相关性或直接 link。我们可以考虑找到一个像素可以告诉我们这张图片属于这张class。这是不可能的，所以我们要做的是构建更复杂的功能，或者我们称之为复杂功能。这将帮助我们找到生成与想要的 class 相关的数据。
为了更简单，假设您想在这两种情况下构建 AND 函数（p 和 q），OR 函数（p 或 q），在输入和输出之间有一个直接的 link。 in 和函数，如果输入中有 0，则输出始终为零。那么如果我们想要 xor 函数 (p xor q) 在输入和输出之间没有直接的 link 怎么办。答案是构建第一层 class 化 AND 和 OR 然后通过第二层获取第一层的结果我们可以构建函数并 class 化 XOR 函数 (p xor q) = (p or q) 而不是 (p and q)
通过在多层 NN 上应用此方法，您将获得相同的结果。但是你将不得不处理大量的参数。避免这种情况的一种解决方案是提取图像之间的代表性、方差和不相关的特征，并从图像中与它们 class 相关，并将其馈送到网络。你可以在网上寻找图像特征提取。
这是一个关于如何查看图像及其 class 之间的 link 以及神经网络如何 class 化它们的小解释。您需要了解 NN 概念，然后才能阅读有关深度学习的内容。