《人工智能應(yīng)用概論》課件第6章計(jì)算機(jī)視覺(jué)技術(shù)

1、人工智能應(yīng)用概論第六章 計(jì)算機(jī)視覺(jué)技術(shù)人工智能應(yīng)用概論第六章 計(jì)算機(jī)視覺(jué)技術(shù)PART1神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)技術(shù)原理PART1神經(jīng)網(wǎng)絡(luò)與 重溫五四，你最像哪位文藝青年。 設(shè)計(jì)上，以白色為背景，紅藍(lán)色調(diào)交叉，表達(dá)出五四青年節(jié)的主題。體驗(yàn)上，使用圖片識(shí)別的技術(shù)，識(shí)別與用戶上傳的照片相似的有為青年，是一個(gè)很有意思的創(chuàng)意活動(dòng)。技術(shù)上通過(guò)人臉檢測(cè)與分析技術(shù)和人臉檢索技術(shù)，將用戶上傳的照片與特定形象進(jìn)行臉部層面的檢索對(duì)比，通過(guò)匹配分析找出數(shù)據(jù)庫(kù)中外貌特征與用戶最為相似的一張照片。 該創(chuàng)意為后續(xù)人工智能娛樂(lè)產(chǎn)品設(shè)計(jì)提供了參考。 【案例】 【案例】66.1 計(jì)算機(jī)視覺(jué)技術(shù)原理6.1.1.計(jì)算機(jī)視覺(jué)技術(shù)分類1. 圖

2、像分類 根據(jù)各自在圖像信息中所反映的不同特征，把不同類別的目標(biāo)區(qū)分開(kāi)來(lái)的圖像處理方法。它利用計(jì)算機(jī)對(duì)圖像進(jìn)行定量分析，把圖像或圖像中的每個(gè)像元或區(qū)域劃歸為若干個(gè)類別中的某一種，以代替人的視覺(jué)判讀。66.1 計(jì)算機(jī)視覺(jué)技術(shù)原理6.1.1.計(jì)算機(jī)視覺(jué)技術(shù)分類66.1 計(jì)算機(jī)視覺(jué)技術(shù)原理6.1.1.計(jì)算機(jī)視覺(jué)技術(shù)分類1. 圖像分類目前較為流行的圖像分類架構(gòu)是卷積神經(jīng)網(wǎng)絡(luò)（CNN）。66.1 計(jì)算機(jī)視覺(jué)技術(shù)原理6.1.1.計(jì)算機(jī)視覺(jué)技術(shù)分類66.1 計(jì)算機(jī)視覺(jué)技術(shù)原理6.1.1.計(jì)算機(jī)視覺(jué)技術(shù)分類2. 對(duì)象檢測(cè)識(shí)別圖像中的對(duì)象這一任務(wù)，通常會(huì)涉及到各個(gè)對(duì)象輸出邊界框和標(biāo)簽。對(duì)象檢測(cè)目標(biāo)是對(duì)很多對(duì)象進(jìn)行

3、分類和定位。在多對(duì)象檢測(cè)中，你必須使用邊界框檢測(cè)所給定圖像中的所有目標(biāo)。66.1 計(jì)算機(jī)視覺(jué)技術(shù)原理6.1.1.計(jì)算機(jī)視覺(jué)技術(shù)分類66.1 計(jì)算機(jī)視覺(jué)技術(shù)原理6.1.1.計(jì)算機(jī)視覺(jué)技術(shù)分類2. 對(duì)象檢測(cè)神經(jīng)網(wǎng)絡(luò)研究人員建議使用區(qū)域（region）這一概念，這樣我們就會(huì)找到可能包含對(duì)象的“斑點(diǎn)”圖像區(qū)域。RCNN是將卷積神經(jīng)網(wǎng)絡(luò)CNN引入目標(biāo)檢測(cè)的開(kāi)山之作,更快、更高效的檢測(cè)系統(tǒng)在 You Only Look Once（YOLO），Single Shot MultiBox Detector（SSD）和基于區(qū)域的全卷積網(wǎng)絡(luò)（ R-FCN ）算法中尤為明顯。66.1 計(jì)算機(jī)視覺(jué)技術(shù)原理6.1.1.計(jì)

4、算機(jī)視覺(jué)技術(shù)分類66.1 計(jì)算機(jī)視覺(jué)技術(shù)原理6.1.1.計(jì)算機(jī)視覺(jué)技術(shù)分類3. 目標(biāo)跟蹤視覺(jué)目標(biāo)跟蹤是計(jì)算機(jī)視覺(jué)中的一個(gè)重要研究方向，有著廣泛的應(yīng)用，如：視頻監(jiān)控、人機(jī)交互、無(wú)人駕駛等。66.1 計(jì)算機(jī)視覺(jué)技術(shù)原理6.1.1.計(jì)算機(jī)視覺(jué)技術(shù)分類66.1 計(jì)算機(jī)視覺(jué)技術(shù)原理6.1.1.計(jì)算機(jī)視覺(jué)技術(shù)分類3. 目標(biāo)跟蹤視覺(jué)目標(biāo)（單目標(biāo)）跟蹤任務(wù)就是在給定某視頻序列初始幀的目標(biāo)大小與位置的情況下，預(yù)測(cè)后續(xù)幀中該目標(biāo)的大小與位置。輸入初始化目標(biāo)框,在下一幀中產(chǎn)生眾多候選框（Motion Model）提取這些候選框的特征（Feature Extractor）,然后對(duì)這些候選框評(píng)分（Observation

5、 Model）最后在這些評(píng)分中找一個(gè)得分最高的候選框,作為預(yù)測(cè)的目標(biāo)（Prediction A）66.1 計(jì)算機(jī)視覺(jué)技術(shù)原理6.1.1.計(jì)算機(jī)視覺(jué)技術(shù)分類66.1 計(jì)算機(jī)視覺(jué)技術(shù)原理6.1.1.計(jì)算機(jī)視覺(jué)技術(shù)分類4. 語(yǔ)義分割語(yǔ)義分割是計(jì)算機(jī)視覺(jué)中十分重要的領(lǐng)域，它是指像素級(jí)地識(shí)別圖像，即標(biāo)注出圖像中每個(gè)像素所屬的對(duì)象類別。66.1 計(jì)算機(jī)視覺(jué)技術(shù)原理6.1.1.計(jì)算機(jī)視覺(jué)技術(shù)分類66.1 計(jì)算機(jī)視覺(jué)技術(shù)原理6.1.1.計(jì)算機(jī)視覺(jué)技術(shù)分類4. 語(yǔ)義分割簡(jiǎn)單來(lái)說(shuō)，分割的目標(biāo)一般是將一張RGB圖像(高度x寬度x 三通道rgb）或是灰度圖（高度x寬度x單通道1）作為輸入，輸出的是分割圖。 66.1

6、計(jì)算機(jī)視覺(jué)技術(shù)原理6.1.1.計(jì)算機(jī)視覺(jué)技術(shù)分類66.1 計(jì)算機(jī)視覺(jué)技術(shù)原理6.1.2.計(jì)算機(jī)視覺(jué)技術(shù)發(fā)展歷程1. 5億4千萬(wàn)年前-寒武紀(jì)生命大爆發(fā)5億4千萬(wàn)年前，生物很簡(jiǎn)單，漂浮著，等待食物漂過(guò)嘴邊。因?yàn)橛械纳镞M(jìn)化出了眼睛，才促使大爆發(fā)的。所以，視覺(jué)的誕生促進(jìn)了生命大爆發(fā).66.1 計(jì)算機(jī)視覺(jué)技術(shù)原理6.1.2.計(jì)算機(jī)視覺(jué)技術(shù)發(fā)展66.1 計(jì)算機(jī)視覺(jué)技術(shù)原理6.1.2.計(jì)算機(jī)視覺(jué)技術(shù)發(fā)展歷程1. 照相暗盒為了復(fù)制我們看到的世界達(dá)芬奇，在植物學(xué)，物理，數(shù)學(xué)，建筑等諸多領(lǐng)域都有很多貢獻(xiàn)。這些發(fā)明創(chuàng)造被后人編輯成冊(cè)，稱為大西洋古抄本。其中就描述了暗盒的裝置，它就是照相機(jī)的前身。通過(guò)小孔成像原理將

7、外部的景象投影在暗盒的另一側(cè)，再透過(guò)一個(gè)鏡面反射到上面的玻璃上就可以進(jìn)行臨摹。66.1 計(jì)算機(jī)視覺(jué)技術(shù)原理6.1.2.計(jì)算機(jī)視覺(jué)技術(shù)發(fā)展66.1 計(jì)算機(jī)視覺(jué)技術(shù)原理6.1.2.計(jì)算機(jī)視覺(jué)技術(shù)發(fā)展歷程3. 計(jì)算機(jī)視覺(jué)技術(shù)萌芽-現(xiàn)代機(jī)器視覺(jué)技術(shù)的產(chǎn)生七八十年代，隨著現(xiàn)代電子計(jì)算機(jī)的出現(xiàn)，計(jì)算機(jī)視覺(jué)技術(shù)也初步萌芽。這一階段的應(yīng)用主要是一些光學(xué)字符識(shí)別、工件識(shí)別、顯微/航空?qǐng)D片的識(shí)別等等。九十年代至二十一世紀(jì)初，計(jì)算機(jī)視覺(jué)技術(shù)取得了更大的發(fā)展，廣泛應(yīng)用于工業(yè)領(lǐng)域。66.1 計(jì)算機(jī)視覺(jué)技術(shù)原理6.1.2.計(jì)算機(jī)視覺(jué)技術(shù)發(fā)展66.1 計(jì)算機(jī)視覺(jué)技術(shù)原理6.1.2.計(jì)算機(jī)視覺(jué)技術(shù)發(fā)展歷程4. 人工智能的眼睛

8、-計(jì)算機(jī)視覺(jué)技術(shù) 七八十年代，隨著現(xiàn)代電子計(jì)算機(jī)的出現(xiàn)，計(jì)算機(jī)視覺(jué)技術(shù)也初步萌芽。這一階段的應(yīng)用主要是一些光學(xué)字符識(shí)別、工件識(shí)別、顯微/航空?qǐng)D片的識(shí)別等等。九十年代，計(jì)算機(jī)視覺(jué)技術(shù)取得了更大的發(fā)展，廣泛應(yīng)用于工業(yè)領(lǐng)域。66.1 計(jì)算機(jī)視覺(jué)技術(shù)原理6.1.2.計(jì)算機(jī)視覺(jué)技術(shù)發(fā)展機(jī)器視覺(jué)在ILSVRC的比賽成績(jī)屢創(chuàng)佳績(jī)，其錯(cuò)誤率已經(jīng)低于人類視覺(jué)66.1 計(jì)算機(jī)視覺(jué)技術(shù)原理6.1.2.計(jì)算機(jī)視覺(jué)技術(shù)發(fā)展歷程4. 人工智能的眼睛-計(jì)算機(jī)視覺(jué)技術(shù) 借助于機(jī)器學(xué)習(xí)與深度學(xué)習(xí)的力量，自動(dòng)從海量數(shù)據(jù)中總結(jié)歸納物體的特征，然后進(jìn)行識(shí)別和判斷。計(jì)算機(jī)視覺(jué)技術(shù)得到了爆發(fā)增長(zhǎng)和產(chǎn)業(yè)化，包括典型的相機(jī)人臉檢測(cè)、安防人臉

9、識(shí)別、車牌識(shí)別等等。機(jī)器視覺(jué)在ILSVRC的比賽成績(jī)屢創(chuàng)佳績(jī)，其錯(cuò)誤率已經(jīng)低于人類視覺(jué)。圖像識(shí)別（image identification） 轉(zhuǎn)向尚待開(kāi)發(fā)的圖像理解（ image understanding）機(jī)器視覺(jué)在ILSVRC的比賽成績(jī)屢創(chuàng)佳績(jī)，其錯(cuò)誤率已經(jīng)低于人機(jī)器視覺(jué)在ILSVRC的比賽成績(jī)屢創(chuàng)佳績(jī)，其錯(cuò)誤率已經(jīng)低于人類視覺(jué)66.1 計(jì)算機(jī)視覺(jué)技術(shù)原理6.1.3.計(jì)算機(jī)視覺(jué)技術(shù)應(yīng)用場(chǎng)景1.無(wú)人駕駛 計(jì)算機(jī)視覺(jué)在無(wú)人駕駛中起到了非常關(guān)鍵的作用，比如道路的識(shí)別，路標(biāo)的識(shí)別，紅綠燈的識(shí)別，行人識(shí)別等等平常駕駛過(guò)程中需要注意的。另外還包括三維重建及自主導(dǎo)航，通過(guò)激光雷達(dá)或者視覺(jué)傳感器可以重建三

10、維模型，輔助汽車進(jìn)行自主定位及導(dǎo)航，進(jìn)行合理的路徑規(guī)劃和相關(guān)決策。機(jī)器視覺(jué)在ILSVRC的比賽成績(jī)屢創(chuàng)佳績(jī)，其錯(cuò)誤率已經(jīng)低于人機(jī)器視覺(jué)在ILSVRC的比賽成績(jī)屢創(chuàng)佳績(jī)，其錯(cuò)誤率已經(jīng)低于人類視覺(jué)66.1 計(jì)算機(jī)視覺(jué)技術(shù)原理6.1.3.計(jì)算機(jī)視覺(jué)技術(shù)應(yīng)用場(chǎng)景2.人臉識(shí)別人臉識(shí)別技術(shù)目前已經(jīng)研究得相對(duì)比較成熟，并在很多地方得到了應(yīng)用，且人臉識(shí)別準(zhǔn)確率目前已經(jīng)高于人眼的識(shí)別準(zhǔn)確率，很多高鐵站及門禁的地方都用到了人臉識(shí)別，很多都有刷臉系統(tǒng)，有些城市甚至在銀行取錢都可以直接刷臉。機(jī)器視覺(jué)在ILSVRC的比賽成績(jī)屢創(chuàng)佳績(jī)，其錯(cuò)誤率已經(jīng)低于人fuzh機(jī)器視覺(jué)在ILSVRC的比賽成績(jī)屢創(chuàng)佳績(jī)，其錯(cuò)誤率已經(jīng)低于人

11、類視覺(jué)66.1 計(jì)算機(jī)視覺(jué)技術(shù)原理6.1.3.計(jì)算機(jī)視覺(jué)技術(shù)應(yīng)用場(chǎng)景3.醫(yī)療影像輔助診斷 人工智能技術(shù)在醫(yī)療影像的應(yīng)用主要通過(guò)機(jī)器視覺(jué)技術(shù)對(duì)醫(yī)療影像進(jìn)行快速讀片和智能診斷。通過(guò)快速準(zhǔn)確地標(biāo)記特定異常結(jié)構(gòu)來(lái)提高圖像分析的效率，以供放射科醫(yī)師參考。提高圖像分析效率，聚焦在需要更多解讀或判斷的內(nèi)容審閱上，從而有望緩解放射科醫(yī)生供給缺口問(wèn)題。fuzh機(jī)器視覺(jué)在ILSVRC的比賽成績(jī)屢創(chuàng)佳績(jī)，其錯(cuò)誤率fuzh機(jī)器視覺(jué)在ILSVRC的比賽成績(jī)屢創(chuàng)佳績(jī)，其錯(cuò)誤率已經(jīng)低于人類視覺(jué)66.1 計(jì)算機(jī)視覺(jué)技術(shù)原理6.1.3.計(jì)算機(jī)視覺(jué)技術(shù)應(yīng)用場(chǎng)景4.機(jī)器視覺(jué)及工業(yè)檢測(cè) 智能制造的核心要素之一是傳感器技術(shù)機(jī)器視覺(jué)（M

12、achine Vision，MV）則是重中之重。近些年，3D視覺(jué)、智能視覺(jué)等創(chuàng)新技術(shù)為工業(yè)自動(dòng)化打開(kāi)了“新視界”。眼鏡框縮坑視覺(jué)檢測(cè)fuzh機(jī)器視覺(jué)在ILSVRC的比賽成績(jī)屢創(chuàng)佳績(jī)，其錯(cuò)誤率PART2 預(yù)備知識(shí)PART2 預(yù)備知識(shí)6世界坐標(biāo)系6.2.1 計(jì)算機(jī)視覺(jué)成像6.2 預(yù)備知識(shí) 物體成像6世界坐標(biāo)系6.2.1 計(jì)算機(jī)視覺(jué)成像6.2 預(yù)備知識(shí) 物6 圖像：圖像可以定義為一個(gè)二維函數(shù)f(x,y)，其中x和y是空間坐標(biāo)，而f在任意坐標(biāo)(x,y)處的幅度稱為圖像在該點(diǎn)處的亮度（圖像的明亮程度）或者灰度。 數(shù)字圖像：指圖像f(x,y)在空間坐標(biāo)和亮度的數(shù)字化，數(shù)字圖像由有限的元素組成，每一個(gè)元素都

13、有一個(gè)特定的位置和幅值，這些元素稱為圖片元素、圖像元素或像素。 數(shù)字圖像處理：是指借用數(shù)字計(jì)算機(jī)處理數(shù)字圖像，既包括輸入輸出都是圖像的處理，也包括從圖像中提取特征的過(guò)程。6.2.2 數(shù)字圖像6.2 預(yù)備知識(shí)6 圖像：圖像可以定義為一個(gè)二維函數(shù)f(x,y)，其中x和66.2.3 圖像處理技術(shù)6.2 預(yù)備知識(shí)66.2.3 圖像處理技術(shù)6.2 預(yù)備知識(shí)66.2.3 圖像處理技術(shù)6.2 預(yù)備知識(shí)車牌檢測(cè)（Plate Detection）：對(duì)一個(gè)包含車牌的圖像進(jìn)行分析最終截取出只包含車牌的一個(gè)圖塊66.2.3 圖像處理技術(shù)6.2 預(yù)備知識(shí)車牌檢測(cè)（Pla66.2 計(jì)算機(jī)視覺(jué)技術(shù)原理6.2.4.卷積神經(jīng)網(wǎng)

14、絡(luò)卷積神經(jīng)網(wǎng)絡(luò) 卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks, CNN）是一類包含卷積計(jì)算且具有深度結(jié)構(gòu)的前饋神經(jīng)網(wǎng)絡(luò)，是深度學(xué)習(xí)的代表算法之一。卷積神經(jīng)網(wǎng)絡(luò)具有表征學(xué)習(xí)能力，能夠按其階層結(jié)構(gòu)對(duì)輸入信息進(jìn)行平移不變分類。66.2 計(jì)算機(jī)視覺(jué)技術(shù)原理6.2.4.卷積神經(jīng)網(wǎng)絡(luò)卷積神66.2 計(jì)算機(jī)視覺(jué)技術(shù)原理6.2.4.卷積神經(jīng)網(wǎng)絡(luò)圖像處理解決方案深度學(xué)習(xí)圖像識(shí)別技術(shù)，不再有人工特征抽取部分，而是使用多層卷積層來(lái)得到更深層次的特征圖，這也就是端到端的含義。66.2 計(jì)算機(jī)視覺(jué)技術(shù)原理6.2.4.卷積神經(jīng)網(wǎng)絡(luò)圖像處66.2 計(jì)算機(jī)視覺(jué)技術(shù)原理6.2.4.卷積神經(jīng)網(wǎng)絡(luò)卷積神

15、經(jīng)網(wǎng)絡(luò)的層級(jí)結(jié)構(gòu) 數(shù)據(jù)輸入層/ Input layer 卷積計(jì)算層/ CONV layer ReLU激勵(lì)層 / ReLU layer 池化層 / Pooling layer 全連接層 / FC layer66.2 計(jì)算機(jī)視覺(jué)技術(shù)原理6.2.4.卷積神經(jīng)網(wǎng)絡(luò)卷積神66.2 計(jì)算機(jī)視覺(jué)技術(shù)原理6.2.4.卷積神經(jīng)網(wǎng)絡(luò)卷積計(jì)算層這一層就是卷積神經(jīng)網(wǎng)絡(luò)最重要的一個(gè)層次，也是“卷積神經(jīng)網(wǎng)絡(luò)”的名字來(lái)源。在這個(gè)卷積層，有兩個(gè)關(guān)鍵操作： 局部關(guān)聯(lián)。每個(gè)神經(jīng)元看做一個(gè)濾波器(filter) 窗口(receptive field)滑動(dòng)， filter對(duì)局部數(shù)據(jù)計(jì)算先介紹卷積層遇到的幾個(gè)名詞： 深度/depth（

16、解釋見(jiàn)下圖） 步長(zhǎng)/stride （窗口一次滑動(dòng)的長(zhǎng)度） 填充值/zero-padding66.2 計(jì)算機(jī)視覺(jué)技術(shù)原理6.2.4.卷積神經(jīng)網(wǎng)絡(luò)卷積計(jì)66.2 計(jì)算機(jī)視覺(jué)技術(shù)原理6.2.4.卷積神經(jīng)網(wǎng)絡(luò)卷積計(jì)算層 卷積層中每一個(gè)節(jié)點(diǎn)的輸入只是上一層神經(jīng)網(wǎng)絡(luò)的一小塊，這個(gè)小塊常用的大小有33或者55。卷積層試圖將神經(jīng)網(wǎng)絡(luò)中的每一小塊進(jìn)行更加深入地分析從而得到抽象程度更高的特征。66.2 計(jì)算機(jī)視覺(jué)技術(shù)原理6.2.4.卷積神經(jīng)網(wǎng)絡(luò)卷積計(jì)66.2 計(jì)算機(jī)視覺(jué)技術(shù)原理6.2.4.卷積神經(jīng)網(wǎng)絡(luò)卷積計(jì)算層5 * 5的圖片（一個(gè)格子一個(gè)像素），滑動(dòng)窗口取2*2，步長(zhǎng)取2，則還剩下1個(gè)像素沒(méi)法滑完，那怎么辦呢？

17、 填充值的作用在原先的矩陣加了一層填充值，變成6*6的矩陣，那么窗口就可以剛好把所有像素遍歷完。66.2 計(jì)算機(jī)視覺(jué)技術(shù)原理6.2.4.卷積神經(jīng)網(wǎng)絡(luò)卷積計(jì)66.2 計(jì)算機(jī)視覺(jué)技術(shù)原理6.2.4.卷積神經(jīng)網(wǎng)絡(luò)ReLU激勵(lì)層 CNN采用的激勵(lì)函數(shù)一般為ReLU(The Rectified Linear Unit/修正線性單元)，它的特點(diǎn)是收斂快，求梯度簡(jiǎn)單。66.2 計(jì)算機(jī)視覺(jué)技術(shù)原理6.2.4.卷積神經(jīng)網(wǎng)絡(luò)ReL66.2 計(jì)算機(jī)視覺(jué)技術(shù)原理6.2.4.卷積神經(jīng)網(wǎng)絡(luò)池化層 池化層夾在連續(xù)的卷積層中間， 用于壓縮數(shù)據(jù)和參數(shù)的量，減小過(guò)擬合，但不會(huì)改變圖像的深度。 簡(jiǎn)而言之，池化層的最主要作用就是壓縮

18、圖像，將一張分辨率較高的圖片轉(zhuǎn)化為分辨率較低的圖片。66.2 計(jì)算機(jī)視覺(jué)技術(shù)原理6.2.4.卷積神經(jīng)網(wǎng)絡(luò)池化層66.2 計(jì)算機(jī)視覺(jué)技術(shù)原理6.2.4.卷積神經(jīng)網(wǎng)絡(luò)全連接層 在經(jīng)過(guò)多輪卷積層和池化層的處理之后，在卷積神經(jīng)網(wǎng)絡(luò)的最后一般會(huì)是由1到2個(gè)全連接層來(lái)給出最后的分類結(jié)果。其中Softmax主要用于分類問(wèn)題，通過(guò)Softmax函數(shù)，可以得到當(dāng)前樣本屬于不同種類的概率分布情況。66.2 計(jì)算機(jī)視覺(jué)技術(shù)原理6.2.4.卷積神經(jīng)網(wǎng)絡(luò)全連接PART3 小試牛刀PART3 小試牛刀66.3 小試牛刀6.3.1 卷積神經(jīng)網(wǎng)絡(luò)解釋器（cnn-explainer）CNN解釋器（cnn-explainer）在

19、線交互可視化工具 是一個(gè)通過(guò)網(wǎng)頁(yè)瀏覽器就可以訓(xùn)練的簡(jiǎn)單神經(jīng)網(wǎng)絡(luò)并實(shí)現(xiàn)了可視化訓(xùn)練過(guò)程的工具。 這個(gè)解釋器展示了一個(gè) 10 層的神經(jīng)網(wǎng)絡(luò)，包含卷積層、激活函數(shù)、池化層等多個(gè)概念。能顯示它的輸入是哪些、經(jīng)過(guò)了怎樣細(xì)微的變化，就能了解CNN究竟是怎么回事，為什么可以辨識(shí)物品。66.3 小試牛刀6.3.1 卷積神經(jīng)網(wǎng)絡(luò)解釋器（cnn-66.3 小試牛刀6.3.1 卷積神經(jīng)網(wǎng)絡(luò)解釋器（cnn-explainer）66.3 小試牛刀6.3.1 卷積神經(jīng)網(wǎng)絡(luò)解釋器（cnn-66.3 小試牛刀6.3.2 卷積神經(jīng)網(wǎng)絡(luò)解釋器應(yīng)用分析默認(rèn)10類圖片輸入層: 輸入的圖片經(jīng)過(guò)裁剪， 大小為 64 x 64 , Red、Green、Blue分別為彩色圖像的三個(gè)通道66.3 小試牛刀6.3.2 卷積神經(jīng)網(wǎng)絡(luò)解釋器應(yīng)用分析默66.3 小試牛刀6.3.2 卷積神經(jīng)網(wǎng)絡(luò)解釋器應(yīng)用分析卷積層 卷積層為 conv_1_1(62, 62, 10) ，其中62 x 62為圖