深度学习算法入门：从百度2012年图像识别突破看核心原理与实践

1次阅读

共计 2047 个字符，预计需要花费 6 分钟才能阅读完成。

2012 年，百度在 ImageNet 大规模视觉识别挑战赛（ILSVRC）中，凭借深度学习算法取得了突破性成果，将图像分类的错误率从 26% 大幅降低到 15.3%。这一成绩标志着深度学习在计算机视觉领域的崛起，也为后续 AI 技术的发展奠定了基础。ImageNet 竞赛是计算机视觉领域最具影响力的比赛之一，参赛者需要在包含 1000 个类别的数百万张图片上进行分类任务。百度的成功不仅展示了深度学习的潜力，也推动了整个行业对卷积神经网络（CNN）的关注和研究。

卷积神经网络（CNN）是深度学习中用于处理图像数据的主流模型。它的核心思想是通过局部感受野、权值共享和空间下采样来有效降低参数数量，同时保留图像的空间结构信息。

CNN 主要由以下几层组成：

卷积层（Convolutional Layer）：通过卷积核提取图像局部特征
激活层（Activation Layer）：引入非线性变换（常用 ReLU）
池化层（Pooling Layer）：降低特征图维度，增强平移不变性
全连接层（Fully Connected Layer）：将学习到的特征用于分类

这种层级结构使 CNN 能够自动学习从低级到高级的图像特征表示。

下面我们使用 Python 和 Keras 框架搭建一个基础的 CNN 模型，用于图像分类任务。

import tensorflow as tf
from tensorflow.keras import layers, models

# 1. 数据预处理
train_datagen = tf.keras.preprocessing.image.ImageDataGenerator(rescale=1./255)
train_generator = train_datagen.flow_from_directory(
    'data/train',  # 训练集目录
    target_size=(150, 150),  # 统一图像尺寸
    batch_size=32,
    class_mode='categorical'  # 多分类任务
)

# 2. 模型构建
model = models.Sequential([
    # 第一卷积块
    layers.Conv2D(32, (3, 3), activation='relu', input_shape=(150, 150, 3)),
    layers.MaxPooling2D((2, 2)),

    # 第二卷积块
    layers.Conv2D(64, (3, 3), activation='relu'),
    layers.MaxPooling2D((2, 2)),

    # 第三卷积块
    layers.Conv2D(128, (3, 3), activation='relu'),
    layers.MaxPooling2D((2, 2)),

    # 全连接层
    layers.Flatten(),
    layers.Dense(512, activation='relu'),
    layers.Dense(10, activation='softmax')  # 假设有 10 个类别
])

# 3. 模型编译
model.compile(optimizer='adam',
              loss='categorical_crossentropy',
              metrics=['accuracy'])

# 4. 模型训练
history = model.fit(
    train_generator,
    steps_per_epoch=100,  # 每个 epoch 的批次数
    epochs=30,
    validation_data=val_generator  # 验证集
)