深度学习的最新进展使计算机视觉应用取得了飞跃：从用脸解锁手机到更安全的自动驾驶汽车。卷积神经网络（CNN）是计算机视觉应用背后的架构。在这篇文章中，你将了解到CNN和计算机视觉的基础，如卷积操作、填充、分层卷积和池化层。然后，我们将使用TensorFlow来构建一个用于图像识别的CNN。
作为专业的留学生服务机构，AcademicPhD多年来已为美国、英国、加拿大、澳洲等留学热门地的学生提供专业的学术服务，包括但不限于Essay代写，Assignment代写，Dissertation代写，Report代写，小组作业代写，Proposal代写，Paper代写，Presentation代写，计算机作业代写，论文修改和润色，网课考试管理等等。写作范围涵盖高中，本科，研究生等海外留学全阶段，辐射金融，经济学，会计学，审计学，管理学等全球99%专业科目。写作团队既有专业英语母语作者，也有海外名校硕博留学生，每位写作老师都拥有过硬的语言能力，专业的学科背景和学术写作经验。我们承诺100%原创，100%专业，100%准时，100%满意。
卷积神经网络代写Introducing Convolutional Networks Tensorflow
卷积操作是卷积神经网络的构件，顾名思义。
现在，在计算机视觉领域，图像可以表示为一个RGB值的矩阵。这个概念其实在之前的文章中已经介绍过了。为了完成卷积操作，我们需要一个图像和一个过滤器。
因此，让我们把6×6矩阵看作是图像的一部分，而过滤器将是以下3×3的矩阵。
然后，卷积包括将滤波器叠加到图像矩阵上，将滤波器的值与图像矩阵的值相乘，这将产生一个4×4的卷积层。在上面的图像矩阵上执行这个操作，并使用上面定义的过滤器，你应该得到以下结果矩阵：4×4输出层。考虑到每个值都表示颜色，或者说一个像素的暗度（正值表示亮，负值表示暗），看来这个特殊的过滤器是负责检测图像中的垂直边缘的!
之前，我们已经看到，一个3×3的滤波器与6×6的图像进行卷积，会产生4×4的矩阵。这是因为在6×6的图像中，滤波器有4×4个可能的位置可以适应。
因此，在每个卷积步骤之后，图像都会缩小，这意味着只能进行有限的卷积次数，直到图像不能再缩小。此外，位于图像角落的像素只被使用一次，这导致了神经网络的信息损失。
为了解决上述两个问题，我们采用了填充法。填充是指在输入图像周围添加一个边框。添加的边框通常是由零填充的。现在，图像的角像素将被多次用于计算输出，有效地防止了信息的丢失。同时，它还允许我们在输出中保持输入矩阵的形状。
考虑到我们的6×6的输入图像，如果我们加上一个1的填充，我们得到一个8×8的矩阵。应用一个3×3的过滤器，这将导致一个6×6的输出。因此，输出的形状将是。6+2(1)-3+1 = 6. 因此，输出将是一个6×6的矩阵，就像输入图像一样!
填充并不总是需要的。然而，当使用填充时，通常是为了使输出与输入图像具有相同的大小。这就产生了两种类型的卷积。当不使用填充时，这被称为 “有效卷积”。否则，它被称为 “相同的卷积”。要确定保持输入图像尺寸所需的填充大小，只需将上述公式等同于n，在求解p后得到。
如果有其他专业的代写需要，如：电子神经诊断/脑电图（Electroneurodiagnostic/Electroencephalographic），技术（Technology/Technologist）， 神经解剖学（Neuroanatomy），神经生物学和解剖学（Neurobiology and Anatomy），神经生物学和行为学（Neurobiology and Behavior），神经生物学和神经科学（Neurobiology and Neurosciences），神经药理学（Neuropharmacology），神经科学（Neuroscience），欢迎咨询AcademicPhD！
