隨著人工智能(AI)技術(shù)的快速發(fā)展，AI可以越來越多地支持以前無法實(shí)現(xiàn)或者難以實(shí)現(xiàn)的應(yīng)用。本文基于此解釋了卷積神經(jīng)網(wǎng)絡(luò)(CNN)及其對(duì)人工智能和機(jī)器學(xué)習(xí)的意義。CNN是一種能夠從復(fù)雜數(shù)據(jù)中提取特征的強(qiáng)大工具，例如識(shí)別音頻信號(hào)或圖像信號(hào)中的復(fù)雜模式就是其應(yīng)用之一。

神經(jīng)網(wǎng)絡(luò)是一種由神經(jīng)元組成的系統(tǒng)或結(jié)構(gòu)，它使AI能夠更好地理解數(shù)據(jù)，進(jìn)而解決復(fù)雜問題。雖然神經(jīng)網(wǎng)絡(luò)有許多種類型，但本文將只關(guān)注卷積神經(jīng)網(wǎng)絡(luò)(CNN)，其主要應(yīng)用領(lǐng)域是對(duì)輸入數(shù)據(jù)的模式識(shí)別和對(duì)象分類。CNN是一種用于深度學(xué)習(xí)的人工神經(jīng)網(wǎng)絡(luò)。這種網(wǎng)絡(luò)由輸入層、若干卷積層和輸出層組成。卷積層是最重要的部分，它們使用一組獨(dú)特的權(quán)重和濾波器，使得網(wǎng)絡(luò)可以從輸入數(shù)據(jù)中提取特征。數(shù)據(jù)可以是許多不同的形式，如圖像、音頻和文本。這種提取特征的過程使CNN能夠識(shí)別數(shù)據(jù)中的模式從而讓工程師能夠創(chuàng)建更有效和高效的應(yīng)用。為了更好地理解CNN，我們首先將討論經(jīng)典的線性規(guī)劃。

控制技術(shù)的任務(wù)是借助傳感器讀取數(shù)據(jù)并進(jìn)行處理，然后根據(jù)規(guī)則做出響應(yīng)，最后顯示或發(fā)送結(jié)果。例如，溫度調(diào)節(jié)器每秒鐘測(cè)量一次溫度，通過微控制器單元(MCU)讀取溫度傳感器的數(shù)據(jù)。該數(shù)值用于閉環(huán)控制系統(tǒng)的輸入，并與設(shè)定的溫度進(jìn)行比較。這就是一個(gè)借助MCU執(zhí)行線性規(guī)劃的例子，這種技術(shù)通過比較預(yù)編程值和實(shí)際值來給出明確的結(jié)論。相比之下，AI系統(tǒng)通常依據(jù)概率論來發(fā)揮作用。

許多應(yīng)用所使用的輸入數(shù)據(jù)必須首先由模式識(shí)別系統(tǒng)加以判別。模式識(shí)別可以應(yīng)用于不同的數(shù)據(jù)結(jié)構(gòu)。本文討論的例子限定為一維或二維的數(shù)據(jù)結(jié)構(gòu)，比如音頻信號(hào)、心電圖(ECG)、光電容積脈搏波(PPG)、一維的振動(dòng)數(shù)據(jù)或波形、熱圖像、二維的瀑布圖數(shù)據(jù)。

在上述模式識(shí)別中，將應(yīng)用通過MCU的代碼來實(shí)現(xiàn)是極其困難的。一個(gè)例子是識(shí)別圖像中的具體對(duì)象（例如貓）：這種情況下無法區(qū)分要分析的圖像是很早攝錄的，還是剛剛由從相機(jī)讀取的。分析軟件基于一些特定的規(guī)則來判斷圖片中是否有貓：比如說貓必須有典型的尖耳朵、三角形的鼻子和胡須。如果可以在圖像中識(shí)別出這些特征，軟件便可以報(bào)告在圖像中發(fā)現(xiàn)了貓。但是這存在一些問題：如果圖像只顯示了貓的背面，模式識(shí)別系統(tǒng)會(huì)怎么辦？如果貓沒有胡須或者在事故中失去了腿，會(huì)發(fā)生什么？盡管這些異常情況不太可能出現(xiàn)，但模式識(shí)別的代碼將不得不考慮所有可能的異常情況，從而增加大量額外的規(guī)則。即使在這個(gè)簡單的例子中，軟件設(shè)置的規(guī)則也會(huì)變得非常復(fù)雜。

AI背后的核心思想是在小范圍內(nèi)模仿人類進(jìn)行學(xué)習(xí)。它不依賴于制定大量的if-then規(guī)則，而是建立一個(gè)通用的模式識(shí)別的機(jī)器模型。這兩種方法的關(guān)鍵區(qū)別在于，與一套復(fù)雜的規(guī)則相比，AI不會(huì)提供明確的結(jié)果。AI不會(huì)明確報(bào)告"我在圖像中識(shí)別出了一只貓"，而是提供類似這樣的結(jié)論："圖像中有一只貓的概率為97.5%，它也可能是豹子(2.1%)或老虎(0.4%)。"這意味著在模式識(shí)別的過程結(jié)束時(shí)，應(yīng)用的開發(fā)人員必須通過決策閾值做出決定。

另一個(gè)區(qū)別是AI并不依賴固定的規(guī)則，而是要經(jīng)過訓(xùn)練。訓(xùn)練過程需要將大量貓的圖像展示給神經(jīng)網(wǎng)絡(luò)以供其學(xué)習(xí)。最終，神經(jīng)網(wǎng)絡(luò)將能夠獨(dú)立識(shí)別圖像中是否有貓。關(guān)鍵的一點(diǎn)是，未來AI可以不局限于已知的訓(xùn)練圖像開展識(shí)別。該神經(jīng)網(wǎng)絡(luò)需要映射到MCU中。

AI的神經(jīng)元網(wǎng)絡(luò)類似于人腦的生物神經(jīng)元網(wǎng)絡(luò)。一個(gè)神經(jīng)元有多個(gè)輸入，但只有一個(gè)輸出?；旧希@些神經(jīng)元都是輸入的線性變換——將輸入乘以數(shù)字（權(quán)重w）并加上一個(gè)常數(shù)（偏置b），然后通過一個(gè)固定的非線性函數(shù)產(chǎn)生輸出，該函數(shù)也被稱為激活函數(shù)¹。作為網(wǎng)絡(luò)中唯一的非線性部分，激活函數(shù)用于定義人工神經(jīng)元值的激活范圍。神經(jīng)元的功能在數(shù)學(xué)上可以描述為

其中，f為激活函數(shù)，w為權(quán)重，x為輸入數(shù)據(jù)，b為偏置。數(shù)據(jù)可以是單獨(dú)的標(biāo)量、向量或矩陣。圖1顯示了一個(gè)神經(jīng)元，它擁有三個(gè)輸入和一個(gè)激活函數(shù)ReLU²。網(wǎng)絡(luò)中的神經(jīng)元總是分層排列的。

圖1.擁有三個(gè)輸入和一個(gè)輸出的神經(jīng)元

如上所述，CNN用于輸入數(shù)據(jù)的模式識(shí)別和對(duì)象分類。CNN分為不同的部分：一個(gè)輸入層、若干隱藏層和一個(gè)輸出層。圖2顯示了一個(gè)小型網(wǎng)絡(luò)，它包含一個(gè)具有三個(gè)輸入的輸入層、一個(gè)具有五個(gè)神經(jīng)元的隱藏層和一個(gè)具有四個(gè)輸出的輸出層。所有神經(jīng)元的輸出都連接到下一層的所有輸入。圖2所示的網(wǎng)絡(luò)不具有現(xiàn)實(shí)意義，這里僅用于演示說明。即使對(duì)于這個(gè)小型網(wǎng)絡(luò)，用于描述網(wǎng)絡(luò)的方程中也具有32個(gè)偏置和32個(gè)權(quán)重。

CIFAR神經(jīng)網(wǎng)絡(luò)是一種廣泛用于圖像識(shí)別的CNN。它主要由兩種類型的層組成：卷積層和池化層，這兩種層分別使用卷積和池化兩種方法，在神經(jīng)網(wǎng)絡(luò)的訓(xùn)練中非常有效。卷積層使用一種被稱為卷積的數(shù)學(xué)運(yùn)算來識(shí)別像素值數(shù)組的模式。卷積發(fā)生在隱藏層中，如圖3所示。卷積會(huì)重復(fù)多次直至達(dá)到所需的精度水平。如果要比較的兩個(gè)輸入值（本例是輸入圖像和濾波器）相似，那么卷積運(yùn)算的輸出值總會(huì)特別高。濾波器有時(shí)也被稱為卷積核。然后，結(jié)果被傳遞到池化層提取特征生成一個(gè)特征圖，表征輸入數(shù)據(jù)的重要特征，稱為池化。池化層的運(yùn)行需要依賴另一個(gè)濾波器，稱為池化濾波器。訓(xùn)練后，在網(wǎng)絡(luò)運(yùn)行的狀態(tài)下，特征圖與輸入數(shù)據(jù)進(jìn)行比較。由于特征圖保留了特定的特征，所以只有當(dāng)內(nèi)容相似時(shí)，神經(jīng)元的輸出才會(huì)被觸發(fā)。通過組合使用卷積和池化，CIFAR網(wǎng)絡(luò)可用于高精度地識(shí)別和分類圖像中的各種對(duì)象。

圖2.一個(gè)小型神經(jīng)網(wǎng)絡(luò)

圖3.用CIFAR-10數(shù)據(jù)集訓(xùn)練的CIFAR網(wǎng)絡(luò)模型

CIFAR-10是一個(gè)特定數(shù)據(jù)集，通常用于訓(xùn)練CIFAR神經(jīng)網(wǎng)絡(luò)。它由60000幅32×32彩色圖像組成，分為10個(gè)類別。這些圖像是從各種來源收集的，例如網(wǎng)頁、新聞和個(gè)人圖像集。每個(gè)類別包含6000幅圖像，平均分配在訓(xùn)練集、測(cè)試集和驗(yàn)證集中，使其成為測(cè)試計(jì)算機(jī)視覺和其他機(jī)器學(xué)習(xí)模型的理想圖像集。

卷積神經(jīng)網(wǎng)絡(luò)和其他類型網(wǎng)絡(luò)的主要區(qū)別在于處理數(shù)據(jù)的方式。卷積神經(jīng)網(wǎng)絡(luò)通過濾波依次檢查輸入數(shù)據(jù)的屬性。卷積層的數(shù)量越多，可以識(shí)別的細(xì)節(jié)就越精細(xì)。在第一次卷積之后，該過程從簡單的對(duì)象屬性（如邊或點(diǎn)）開始進(jìn)行第二次卷積以識(shí)別詳細(xì)的結(jié)構(gòu)，如角、圓、矩形等。在第三次卷積之后，特征就可以表示某些復(fù)雜的模式，它們與圖像中對(duì)象的某些部分相似，并且對(duì)于給定對(duì)象來說通常是唯一的。在我們最初的例子中，這些特征就是貓的胡須或耳朵。特征圖的可視化（如圖4所示）對(duì)于應(yīng)用本身而言并不是必需的，但它有助于幫助理解卷積。

即使是像CIFAR這樣的小型網(wǎng)絡(luò)，每層也有數(shù)百個(gè)神經(jīng)元，并且有許多串行連接的層。隨著網(wǎng)絡(luò)的復(fù)雜度和規(guī)模的增加，所需的權(quán)重和偏置數(shù)量也迅速增長。圖3所示的CIFAR-10示例已經(jīng)有20萬個(gè)參數(shù)，每個(gè)參數(shù)在訓(xùn)練過程中都需要一組確定的值。特征圖可以由池化層進(jìn)一步處理，以減少需要訓(xùn)練的參數(shù)數(shù)量并保留重要信息。

圖4.CNN的特征圖

如上所述，在CNN中的每次卷積之后，通常會(huì)發(fā)生池化，在一些文獻(xiàn)中也常被稱為子采樣。它有助于減少數(shù)據(jù)的維度。圖4中的特征圖里面的很多區(qū)域包含很少甚至不含有意義的信息。這是因?yàn)閷?duì)象只是圖像的一小部分，并不構(gòu)成整幅圖像。圖像的其余部分未在特征圖中使用，因此與分類無關(guān)。在池化層中，池化類型（最大值池化或均值池化）和池化窗口矩陣的大小均被指定。在池化過程中，窗口矩陣逐步在輸入數(shù)據(jù)上移動(dòng)。例如，最大值池化會(huì)選取窗口中的最大數(shù)據(jù)值而丟棄其它所有的值。這樣，數(shù)據(jù)量不斷減少，最終形成各個(gè)對(duì)象類別的唯一屬性。

卷積和池化的結(jié)果是大量的二維矩陣。為了實(shí)現(xiàn)我們真正的目標(biāo)即分類，我們需要將二維數(shù)據(jù)轉(zhuǎn)換成一個(gè)很長的一維向量。轉(zhuǎn)換是在所謂的壓平層中完成的，隨后是一個(gè)或兩個(gè)全連接層。全連接層的神經(jīng)元類似于圖2所示的結(jié)構(gòu)。神經(jīng)網(wǎng)絡(luò)最后一層的輸出要與需要區(qū)分的類別的數(shù)量一致。此外，在最后一層中，數(shù)據(jù)還被歸一化以產(chǎn)生一個(gè)概率分布（97.5%的貓，2.1%的豹，0.4%的虎，等等）。

這就是神經(jīng)網(wǎng)絡(luò)建模的全過程。然而，卷積核與濾波器的權(quán)重和內(nèi)容仍然未知，必須通過網(wǎng)絡(luò)訓(xùn)練來確定使模型能夠工作。這將在后續(xù)文章中說明。

¹通常使用sigmoid、tanh或ReLU函數(shù)。
²ReLU：修正線性單元。對(duì)于該函數(shù)，輸入值為負(fù)時(shí)，輸出為零；輸入值大于零時(shí)，輸出值為輸入值。