Google Deep Learning Framework for TensorFlow Workflow

图像识别与卷积神经网络

1. 神经网络：包括完全连接型、卷式以及循环型（在第八章详细阐述）
2. 全连接型：其中各邻接单元直接与相邻单元建立联系
3. 卷式型：其基本架构类似传统全联结型神经网络，在实际应用中由于局部连通性特点，在每一轮次中仅设有部分单元间建立关联关系以减少计算复杂度。具体而言，在各轮次中将各轮卷式处理单元按照三维矩阵形式组织起来即可实现特征提取功能；值得注意的是该模型在输入层面通常采用原始图像数据作为输入信息源，并通过多维编码器模块逐步生成各类别判据响应信号
4. 两者间的拓扑组织差异主要体现在相邻层级之间的联结策略不同

上一张图简要展示了卷积神经网络的基本架构图及其主要组成部分

• 输入通道：作为神经网络的基础模块，在RGB色彩空间中通常设置为3个颜色通道（红绿蓝）。整个网络架构会通过逐级深入的学习过程将初始的空间信息逐步抽象提升。
• 卷积操作：每个卷积核仅接收相邻区域的信息进行特征提取，在此过程中能够自动学习不同尺度的空间模式。
• 池化操作：该过程不会改变深度信息量但能显著降低计算复杂度
• 全连接结构：这是分类任务的关键环节其主要作用是对提取到的空间语