我是TensorFlow和深度学习的新手。我正在尝试为图像处理创建一个完全连接的神经网络。我有点困惑。
我们有一张图片，比如28x28像素。这将有784个NN输入。对于非相关输入，这很好，但图像像素通常是相关的。例如，考虑一张牛眼的照片。当我们将所有像素排列在阵列中以用于完全连接的网络时，神经网络如何理解这一点。它如何确定相关性？
答案 0 :(得分：0)
请研究CNN（卷积神经网络）的一些教程; here是您的起点。 NN的完全连接层放弃所有它可能与输入相关的信息。在结构上，它实现了输入在统计上独立的原则。
或者，卷积层取决于输入的物理组织（例如像素邻接），使用它来查找特征从一层到另一层的简单组合（卷积）。
底线：您的NN找不到相关性：拓扑结构错误，无法完成您想要的工作。
另外，请注意，由具有线性权重组合的完全连接的神经元组成的分层网络 not 深度学习。深度学习至少有一个隐藏层，这种拓扑结构可以促进对中间结构的“理解”。纯粹的线性，完全连接的分层不提供这样的隐藏层。即使您编写隐藏的图层，输出仍然是输入的简单线性组合。
深度学习需要一些其他歧视，例如卷积，汇集，整改或其他非线性组合。
答案 1 :(得分：0)
让我们深入了解NN学习预测背后的直觉。
预测一类给定的图像，我们必须找到它之间的相关或直接链接，它是类的输入值。我们可以考虑找一个像素可以告诉我们这个图像属于这个类。这是不可能的，所以我们要做的是建立更复杂的功能或让我们称之为复杂的功能。这将帮助我们找到生成所需类的相关数据。
为了简化想象你想在两种情况下建立AND函数（p和q），OR函数（p或q），输入和输出之间存在直接链接。 in和function如果输入中有0，则输出始终为零。那么如果我们想要xor函数（p xor q），输入和输出之间没有直接的联系。答案是构建第一层分类AND和OR然后通过第二层获取第一层的结果我们可以构建函数并对XOR函数进行分类 （p x或q）=（p或q）而不是（p和q）
通过在多层NN上应用此方法，您将获得相同的结果。但是你必须处理大量的参数。避免这种情况的一个解决方案是在图像之间提取代表性，方差和不相关的特征，并从图像中将其与类相关联并馈送到网络。您可以在网上查找图像特征提取。
这是如何查看图像与其类之间的链接以及NN如何对其进行分类的一个小解释。您需要了解NN概念，然后您可以阅读有关深度学习的内容。