卷積神經網路（convnets 或者 cnns）屬於神經網路的範疇，在影象識別和分類領域具有高效的能力。卷積神經網路可以成功識別人臉、物體和交通訊號，從而為機械人和自動駕駛汽車提供視力。
在上圖中，卷積神經網路可以識別場景，也可以提供相關的標籤，比如「橋梁」、「火車」和「網球」；而下圖展示了卷積神經網路可以用來識別日常物體、人和動物。最近，卷積神經網路也在一些自然語言處理任務（比如語句分類）。
因此，卷積神經網路對於今天大多數的機器學習使用者來說都是乙個重要的工具。
「卷積」這一詞在多個領域裡都有定義（比如訊號處理領域的傅利葉變換中也有卷積）。具體在影象處理領域，卷積操作是指使用乙個小的「模板視窗」對乙個中的所有與模板大小相同的區域進行「卷積運算」。「卷積運算」其實很簡單，就是將模板中的每乙個數字與中相同大小區域的對應數字（畫素值）進行相乘，再求和。具體操作如下圖：
「模板視窗」每移動到乙個位置，就和中的對應元素進行一次卷積運算，注意我們一般把「模板視窗」稱為卷積核(kernel)。 比如在第乙個位置，上的四個畫素值為[[0,0],[1,1]], 而卷積核中的數值為[[-1,1],[-1,1]], 對應元素相乘再求和，得到0-1+01+1-1+11=0
比如在第二個位置，上的四個畫素值為[[0,0],[1,0]], 對應元素相乘再求和，得到0-1+01+1-1+01=-1 對中的所有可能位置進行卷積操作，就得到了最終的卷積結果。
上文中我們提到過，卷積神經網路可以成功識別人臉、物體和交通訊號。
因此，介紹了卷積神經網路的基本知識點之後，我要推薦乙個「實驗樓」近期新出教程《使用卷積神經網路識別交通標誌》
介紹實驗採用德國交通標誌資料集，使用 tensorflow 實現的卷積神經網路解決交通標誌分類問題。
訓練前對原資料進行了資料擴充保證了訓練集資料型別的平衡，並對資料進行了預處理，來改善特徵提取。
使用深度神經網路分類器作為模型，採用擴充後的平衡資料集進行訓練，其準確率達到 98%以上，可以通過預訓練或者降低學習率對模型進行微調來進一步提高模型效能。
知識點
課程說明
你將學到：
適合人群
有 tensorflow 基礎的同學。
建議先修課程：
《tensorflow 實現卷積神經網路》
注：今天是「實驗樓」高階vip會員打折最後一天，大家抓緊時間搶購噢，高階會員可免費學習價值9000元的全部程式設計課。
交通標誌識別
交通標誌識別實際上包括交通標誌的檢測和識別兩個過程，檢測是在影象中尋找到感興趣目標並定位，識別是對感興趣目標進行分類。現在r cnn系列 yolo ssd能夠很好的將檢測和分類兩個過程融合到一起，並且在pascal voc等資料集上取得了很好的效果，但對像交通標誌這種小目標的檢測效果並不好。就交通標...
交通標誌識別 語句筆記
np.unique 該函式是去除陣列中的重複數字，並進行排序之後輸出。計算label個數時適用。from colletions import counter 求陣列中每個數字出現了幾次 from collections import counter a 1,4,2,3,2,3,4,2 b count...
PaddleHub實現交通標誌識別
完成深度學習的過程一般是這個樣子的 由於資料 模型 和算力的限制，我們很難在短時間內完成乙個快速準確的工程專案，所以我們會採用遷移學習 transfer learning paddlehub完成遷移學習的過程可以被描述為六個步驟 載入資料 載入模型 資料處理 優化策略 執行配置 finetune p...