卷积神经网络？

Question

我正在做一个“情绪检测”的项目。

作为制作完整产品的第一步，我们从图像处理开始。我从互联网上了解到，卷积神经网络是最好的方法。

import cv2
import numpy as np
def sum_cnn(image,x,y):
    x1,y1=np.shape(image)
    temp=image

    for i in range(0,x1-x):
        for j in range(0,y1-y):
            temp1=np.sum(image[i:i+x,j:j+y])/(x*y)
            if temp1 in range(850000,1100000):
                cv2.rectangle(temp, (i, j), (i+20, j+20), (0, 255, 0), 2)
                print "\n"


    return temp


image =cv2.imread('test.jpg')
image=cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
image=np.matrix(image)

temp=sum_cnn(image,95,95)

cv2.imshow('Processed Video', temp)
cv2.imwrite('1.jpg',temp)

print "Done"

上面是我写的代码--值(850000,1100000)是矩阵的一个卷积范围的和的值(对不起，代码非常粗糙，我今天早上开始写它)。

我要问的问题是，如何设计或获得一个存储权重的矩阵。

1)对于每种对象检测，我是否可以仅使用一个矩阵(例如，一个粗糙的单层CNN，它将为“汽车”和“人脸”提供不同的值)，或者我是否应该为“汽车”和“人脸”使用单独的矩阵？

2)如何处理同一对象的不同大小？我在互联网上看到的一种解决方案是不断调整原始图像的大小。我想知道有没有更快的方法？

3)在反向传播中，我们给出了什么粗略的条件来获得优化的权重矩阵？

Answer 1

首先，如果你真的打算使用神经网络，我建议你从basics开始。我要说的是，这一页非常适合神经网络的入门。一旦对神经网络有了基本的了解，你就可以尝试使用一个框架或者像Theano这样的东西来尝试构建一个CNN。

老实说，我不太确定你的代码是关于什么的，但我会尽我所能回答你的问题。

我猜你在这里谈论的是权重矩阵。，，

1. ，
2. 。CNN在其卷积层中所做的是：“提取特征”。每个人都这么叫它。但是tbh..。这不是一个容易量化的值。因此，您需要多少过滤器映射(权重矩阵在CNN中称为过滤器映射)取决于您的用例。因此，你可能不得不坚持使用测试和验证集来调整过滤器图的数量，或者更确切地说，是一般的超参数。
3. 是Krizhevsky，Sutskever和Hinton的一个很酷的paper，他们用GPU做了一些疯狂的事情，他们确实将图像固定到了一定的大小。如果你找到了绕过这个限制的好方法，请告诉我。
4. 你通常想做的是防止过拟合。研究人员想出了多种方式和方法来实现这一点。辍学，保持较低的权重或预训练，仅举几个例子。

我再次建议您从给定的来源开始。这将使它更容易理解，如果你听我漫无边际地谈论一些我自己可能不完全理解的技术术语。

致以亲切的问候，

附言:请随时纠正我