摘要
隨著人工智能（AI）技術的快速發展，AI可以越來越多地支持以前無法實現或者難以實現的應用。本系列文章基于此解釋了卷積神經網絡（CNN）及其對人工智能和機器學習的意義。CNN是一種能夠從復雜數據中提取特征的強大工具，例如識別音頻信號或圖像信號中的復雜模式就是其應用之一。本文討論了CNN相對于經典線性規劃的優勢，后續文章《訓練卷積神經網絡：什么是機器學習？——第二部分》將討論如何訓練CNN模型，系列文章的第三部分將討論一個特定用例，并使用專門的AI微控制器對模型進行測試。
什么是卷積神經網絡？
神經網絡是一種由神經元組成的系統或結構，它使AI能夠更好地理解數據，進而解決復雜問題。雖然神經網絡有許多種類型，但本系列文章將只關注卷積神經網絡（CNN），其主要應用領域是對輸入數據的模式識別和對象分類。CNN是一種用于深度學習的人工神經網絡。這種網絡由輸入層、若干卷積層和輸出層組成。卷積層是最重要的部分，它們使用一組獨特的權重和濾波器，使得網絡可以從輸入數據中提取特征。數據可以是許多不同的形式，如圖像、音頻和文本。這種提取特征的過程使CNN能夠識別數據中的模式從而讓工程師能夠創建更有效和高效的應用。為了更好地理解CNN，我們首先將討論經典的線性規劃。
經典控制技術中的線性規劃
控制技術的任務是借助傳感器讀取數據并進行處理，然后根據規則做出響應，最后顯示或發送結果。例如，溫度調節器每秒鐘測量一次溫度，通過微控制器單元（MCU）讀取溫度傳感器的數據。該數值用于閉環控制系統的輸入，并與設定的溫度進行比較。這就是一個借助MCU執行線性規劃的例子，這種技術通過比較預編程值和實際值來給出明確的結論。相比之下， AI系統通常依據概率論來發揮作用。
復雜模式和信號處理
許多應用所使用的輸入數據必須首先由模式識別系統加以判別。模式識別可以應用于不同的數據結構。本文討論的例子限定為一維或二維的數據結構，比如音頻信號、心電圖（ECG）、光電容積脈搏波（PPG）、一維的振動數據或波形、熱圖像、二維的瀑布圖數據。
在上述模式識別中，將應用通過MCU的代碼來實現是極其困難的。一個例子是識別圖像中的具體對象（例如貓）：這種情況下無法區分要分析的圖像是很早攝錄的，還是剛剛由從相機讀取的。分析軟件基于一些特定的規則來判斷圖片中是否有貓：比如說貓必須有典型的尖耳朵、三角形的鼻子和胡須。如果可以在圖像中識別出這些特征，軟件便可以報告在圖像中發現了貓。但是這存在一些問題：如果圖像只顯示了貓的背面，模式識別系統會怎么辦？如果貓沒有胡須或者在事故中失去了腿，會發生什么？盡管這些異常情況不太可能出現，但模式識別的代碼將不得不考慮所有可能的異常情況，從而增加大量額外的規則。即使在這個簡單的例子中，軟件設置的規則也會變得非常復雜。
機器學習如何取代經典規則
AI背后的核心思想是在小范圍內模仿人類進行學習。它不依賴于制定大量的if-then規則，而是建立一個通用的模式識別的機器模型。這兩種方法的關鍵區別在于，與一套復雜的規則相比，AI不會提供明確的結果。AI不會明確報告“我在圖像中識別出了一只貓”，而是提供類似這樣的結論：“圖像中有一只貓的概率為97.5%，它也可能是豹子（2.1%）或老虎（0.4%）。”這意味著在模式識別的過程結束時，應用的開發人員必須通過決策閾值做出決定。
另一個區別是AI并不依賴固定的規則，而是要經過訓練。訓練過程需要將大量貓的圖像展示給神經網絡以供其學習。最終，神經網絡將能夠獨立識別圖像中是否有貓。關鍵的一點是，未來AI可以不局限于已知的訓練圖像開展識別。該神經網絡需要映射到MCU中。
AI的模式識別內部到底是什么？
AI的神經元網絡類似于人腦的生物神經元網絡。一個神經元有多個輸入，但只有一個輸出。基本上，這些神經元都是輸入的線性變換——將輸入乘以數字（權重w）并加上一個常數（偏置b），然后通過一個固定的非線性函數產生輸出，該函數也被稱為激活函數。作為網絡中唯一的非線性部分，激活函數用于定義人工神經元值的激活范圍。神經元的功能在數學上可以描述為
其中，f 為激活函數，w為權重，x為輸入數據，b為偏置。數據可以是單獨的標量、向量或矩陣。圖1顯示了一個神經元，它擁有三個輸入和一個激活函數ReLU。網絡中的神經元總是分層排列的。
圖1.擁有三個輸入和一個輸出的神經元
如上所述，CNN用于輸入數據的模式識別和對象分類。CNN分為不同的部分：一個輸入層、若干隱藏層和一個輸出層。圖2顯示了一個小型網絡，它包含一個具有三個輸入的輸入層、一個具有五個神經元的隱藏層和一個具有四個輸出的輸出層。所有神經元的輸出都連接到下一層的所有輸入。圖2所示的網絡不具有現實意義，這里僅用于演示說明。即使對于這個小型網絡，用于描述網絡的方程中也具有32個偏置和32個權重。
CIFAR神經網絡是一種廣泛用于圖像識別的CNN。它主要由兩種類型的層組成：卷積層和池化層，這兩種層分別使用卷積和池化兩種方法，在神經網絡的訓練中非常有效。卷積層使用一種被稱為卷積的數學運算來識別像素值數組的模式。卷積發生在隱藏層中，如圖3所示。卷積會重復多次直至達到所需的精度水平。如果要比較的兩個輸入值（本例是輸入圖像和濾波器）相似，那么卷積運算的輸出值總會特別高。濾波器有時也被稱為卷積核。然后，結果被傳遞到池化層提取特征生成一個特征圖，表征輸入數據的重要特征，稱為池化。池化層的運行需要依賴另一個濾波器，稱為池化濾波器。訓練后，在網絡運行的狀態下，特征圖與輸入數據進行比較。由于特征圖保留了特定的特征，所以只有當內容相似時，神經元的輸出才會被觸發。通過組合使用卷積和池化，CIFAR網絡可用于高精度地識別和分類圖像中的各種對象。
圖2.一個小型神經網絡
CIFAR-10是一個特定數據集，通常用于訓練CIFAR神經網絡。它由60000幅32×32彩色圖像組成，分為10個類別。這些圖像是從各種來源收集的，例如網頁、新聞和個人圖像集。每個類別包含6000幅圖像，平均分配在訓練集、測試集和驗證集中，使其成為測試計算機視覺和其他機器學習模型的理想圖像集。
卷積神經網絡和其他類型網絡的主要區別在于處理數據的方式。卷積神經網絡通過濾波依次檢查輸入數據的屬性。卷積層的數量越多，可以識別的細節就越精細。在第一次卷積之后，該過程從簡單的對象屬性（如邊或點）開始進行第二次卷積以識別詳細的結構，如角、圓、矩形等。在第三次卷積之后，特征就可以表示某些復雜的模式，它們與圖像中對象的某些部分相似，并且對于給定對象來說通常是唯一的。在我們最初的例子中，這些特征就是貓的胡須或耳朵。特征圖的可視化（如圖4所示）對于應用本身而言并不是必需的，但它有助于幫助理解卷積。
即使是像CIFAR這樣的小型網絡，每層也有數百個神經元，并且有許多串行連接的層。隨著網絡的復雜度和規模的增加，所需的權重和偏置數量也迅速增長。圖3所示的CIFAR-10示例已經有20萬個參數，每個參數在訓練過程中都需要一組確定的值。特征圖可以由池化層進一步處理，以減少需要訓練的參數數量并保留重要信息。
圖4.CNN的特征圖
如上所述，在CNN中的每次卷積之后，通常會發生池化，在一些文獻中也常被稱為子采樣。它有助于減少數據的維度。圖4中的特征圖里面的很多區域包含很少甚至不含有意義的信息。這是因為對象只是圖像的一小部分，并不構成整幅圖像。圖像的其余部分未在特征圖中使用，因此與分類無關。在池化層中，池化類型（最大值池化或均值池化）和池化窗口矩陣的大小均被指定。在池化過程中，窗口矩陣逐步在輸入數據上移動。例如，最大值池化會選取窗口中的最大數據值而丟棄其它所有的值。這樣，數據量不斷減少，最終形成各個對象類別的唯一屬性。
圖3.用CIFAR-10數據集訓練的CIFAR網絡模型
卷積和池化的結果是大量的二維矩陣。為了實現我們真正的目標即分類，我們需要將二維數據轉換成一個很長的一維向量。轉換是在所謂的壓平層中完成的，隨后是一個或兩個全連接層。全連接層的神經元類似于圖2所示的結構。神經網絡最后一層的輸出要與需要區分的類別的數量一致。此外，在最后一層中，數據還被歸一化以產生一個概率分布（97.5%的貓，2.1%的豹，0.4%的虎，等等）。
這就是神經網絡建模的全過程。然而，卷積核與濾波器的權重和內容仍然未知，必須通過網絡訓練來確定使模型能夠工作。這將在后續文章《訓練卷積神經網絡：什么是機器學習？——第二部分》中說明。第三部分將解釋我們上文討論過的神經網絡（例如識別貓）的硬件實現，我們將使用ADI公司開發的帶硬件CNN加速器的MAX78000人工智能微控制器來演示。
------------------------------------
1.通常使用sigmoid、tanh或ReLU函數。
2.ReLU：修正線性單元。對于該函數，輸入值為負時，輸出為零；輸入值大于零時，輸出值為輸入值。
更多精彩內容歡迎點擊==>>電子技術應用-AET<<
