2024-02-08 19:28:19

totrans/prac-dl-cld_03.yaml

@@ -131,15 +131,18 @@
   id: totrans-16
   prefs: []
   type: TYPE_NORMAL
+  zh: 在机器学习中，我们需要将数据转换为一组可识别的特征，然后添加一个分类算法对它们进行分类。CNN也是如此。它们由两部分组成：卷积层和全连接层。卷积层的工作是将图像的大量像素转换为一个更小的表示；即特征。全连接层将这些特征转换为概率。全连接层实际上是一个具有隐藏层的神经网络，正如我们在[第1章](part0003.html#2RHM3-13fa565533764549a6f0ab7f11eed62b)中看到的那样。总之，卷积层充当特征提取器，而全连接层充当分类器。[图3-2](part0005.html#a_high-level_overview_of_a_convolutional)显示了CNN的高级概述。
 - en: '![A high-level overview of a Convolutional Neural Network](../images/00082.jpeg)'
   id: totrans-17
   prefs: []
   type: TYPE_IMG
+  zh: '![卷积神经网络的高级概述](../images/00082.jpeg)'
 - en: Figure 3-2\. A high-level overview of a CNN
   id: totrans-18
   prefs:
   - PREF_H6
   type: TYPE_NORMAL
+  zh: 图3-2. CNN的高级概述
 - en: Imagine that we want to detect a human face. We might want to use a CNN to classify
     an image and determine whether it contains a face. Such a CNN would be composed
     of several layers connected one after another. These layers represent mathematical
@@ -149,6 +152,7 @@
   id: totrans-19
   prefs: []
   type: TYPE_NORMAL
+  zh: 想象一下，我们想要检测一个人脸。我们可能想要使用CNN对图像进行分类，并确定其中是否包含人脸。这样的CNN由几个层连接在一起组成。这些层代表数学运算。一个层的输出是下一个层的输入。第一个（或最底层）是输入层，输入图像被馈送到这里。最后一个（或最顶层）是输出层，给出预测。
 - en: The way it works is the image is fed into the CNN and passes through a series
     of layers, with each performing a mathematical operation and passing the result
     to the subsequent layer. The resulting output is a list of object classes and
@@ -158,11 +162,13 @@
   id: totrans-20
   prefs: []
   type: TYPE_NORMAL
+  zh: 它的工作方式是将图像馈送到CNN中，并通过一系列层，每个层执行数学运算并将结果传递给下一个层。最终的输出是一个对象类别列表及其概率。例如，类别如球—65%，草—20%，等等。如果图像的输出包含一个“人脸”类别，概率为70%，我们可以得出结论，图像中包含人脸的可能性为70%。
 - en: Note
   id: totrans-21
   prefs:
   - PREF_H6
   type: TYPE_NORMAL
+  zh: 注意
 - en: An intuitive (and overly simplified) way to look at CNNs is to see them as a
     series of filters. As the word filter implies, each layer acts as a sieve of information,
     letting something “pass through” only if it recognizes it. (If you have heard
@@ -174,6 +180,7 @@
   id: totrans-22
   prefs: []
   type: TYPE_NORMAL
+  zh: 看待CNN的一种直观（和过于简化的）方式是将它们视为一系列滤波器。正如“滤波器”一词所暗示的，每个层都充当信息的筛子，只有在识别到信息时才“通过”。（如果你听说过电子学中的高通和低通滤波器，这可能会很熟悉。）我们说该层对该信息“激活”。每个层对类似猫、狗、汽车等部分的视觉模式被激活。如果一个层没有识别信息（由于训练时学到的内容），其输出接近于零。CNN是深度学习世界的“保安”！
 - en: In the facial detection example, lower-level layers ([Figure 3-3](part0005.html#left_parenthesisaright_parenthesis_lower),
     a; layers that are closer to the input image) are “activated” for simpler shapes;
     for example, edges and curves. Because these layers activate only for basic shapes,
@@ -190,13 +197,19 @@
   id: totrans-23
   prefs: []
   type: TYPE_NORMAL
+  zh: 在人脸检测示例中，较低级别的层（[图3-3](part0005.html#left_parenthesisaright_parenthesis_lower)
+    a; 靠近输入图像的层）被“激活”以获取更简单的形状；例如，边缘和曲线。因为这些层仅对基本形状激活，所以它们可以很容易地被重新用于不同于人脸识别的目的，比如检测汽车（毕竟每个图像都由边缘和曲线组成）。中级别的层（[图3-3](part0005.html#left_parenthesisaright_parenthesis_lower)
+    b）被激活以获取更复杂的形状，比如眼睛、鼻子和嘴唇。这些层不像较低级别的层那样容易被重复使用。它们可能不太适用于检测汽车，但可能仍然适用于检测动物。更高级别的层（[图3-3](part0005.html#left_parenthesisaright_parenthesis_lower)
+    c）被激活以获取更复杂的形状，例如大部分人脸。这些层往往更具任务特定性，因此在其他图像分类问题中最不可重复使用。
 - en: '![(a) Lower level activations, followed by (b) mid-level activations and (c)
     upper layer activations (image source: Convolutional Deep Belief Networks for
     Scalable Unsupervised Learning of Hierarchical Representations, Lee et al., ICML
     2009)](../images/00122.jpeg)'
   id: totrans-24
   prefs: []
   type: TYPE_IMG
+  zh: （a）较低级别的激活，接着是（b）中级别的激活和（c）上层的激活（图片来源：Lee等人的《用于可扩展无监督学习的分层表示的卷积深度信念网络》，ICML
+    2009）
 - en: 'Figure 3-3\. (a) Lower-level activations, followed by (b) midlevel activations
     and (c) upper-layer activations (image source: Convolutional Deep Belief Networks
     for Scalable Unsupervised Learning of Hierarchical Representations, Lee et al.,