每个对机器学习感兴趣的机器学习工程师/软件开发人员/学生都在卷积神经网络（也称为CNN）上工作。我们有一个一般理论，即如何训练网络对图像进行分类。但是，刚接触机器学习/神经网络的人们并不了解CNN如何精确地学习参数。

我们知道，在每个转换层中，网络都试图了解基本模式。例如：在第一层中，网络尝试学习图案和边缘。在第二层中，它尝试了解形状/颜色和其他内容。最后一层称为要素层/完全连接层尝试对图像进行分类。

DeepLearnToolbox-master是一个深度学习matlab包，里面含有很多机器学习算法，如卷积神经网络CNN，深度信念网络DBN，自动编码AutoEncoder（堆栈SAE，卷积CAE）的作者是 RasmusBerg Palm。

今天给介绍deepLearnToolbox-master中的CNN部分。

DeepLearnToolbox-master中CNN内的函数：

调用关系为：

该模型使用了mnist的数字mnist_uint8.mat作为训练样本，作为cnn的一个使用样例，每个样本特征为一个28*28=的向量。

普通的神经网络不适用于比较大的网格（因为参数会过多），而传统的卷积神经网络又没法应用在拥有不规则结构的三维网格上。因此，我们把传统的卷积神经网络加以改进，使其可以拓展到任意结构的网格上。和近年来出现的许多其他的网格（图）卷积神经网络相比，我们的网络能更好地重建全局和局部信息，拥有更强大的生成能力，并且支持所有诸如上下采样的传统卷积神经网络所拥有的操作。

来源：科技日报

仅凭一张照片就能生成3D人体模型

近日，重庆中科云从科技有限公司（以下简称云从科技）提出一种新型DenseBody框架，可直接从彩色照片中获取3D人体姿势和形状。而此基于单帧图像的3D人体重建技术，将原有最低误差降低30%，刷新了世界纪录。

获取人体3D数据不容易

用Emoji、zepeto等软件将自己的照片转换成3D动画头像的功能曾风靡一时，但很多人发现，其实生成的3D形象和自己并没有那么像。

传统3D重建技术大多需要连续的图像序列或是多视角的图像，在硬件设备上一般需要采用双目摄像机或者结构光摄像机等设备，因此在手机等便携设备上往往难以实现；另一方面，专用设备还会增加部署成本，增加大规模普及3D重建技术的难度。但基于单帧图像的3D重建技术对原始图像要求放松的同时，对背后的技术却提出了更高挑战。

大家都知道，大模型能处理人类的需求，但作为大模型“大脑”的神经网络，其背后的运行原理是什么？

下文给出大家都能理解的通俗易懂的讲解和例子，希望能帮助到您理解（大家都可以理解，不会有复杂的专业名词术语）。

简单的例子：神经网络如何识别手写数字？

假设有一个班级（神经网络），如何让学生们识别出一张手写数字呢？

卷积神经网络模型(CNN Model)

传统的人工神经网络(Artificial Neural Network)在图像处理中面临的主要问题是：

- 处理的数据量太大，导致成本很高，效率很低

- 参数太多，并且存在过度拟合

- 图像在数字化的过程中很难保留原有的特征，导致图像处理的准确率不高

卷积神经网络（Convolutional Neural Network，CNN）是一种在计算机视觉领域取得了巨大成功的深度学习模型。它们的设计灵感来自于生物学中的视觉系统，旨在模拟人类视觉处理的方式。在过去的几年中，CNN已经在图像识别、目标检测、图像生成和许多其他领域取得了显著的进展，成为了计算机视觉和深度学习研究的重要组成部分。

一、图像原理

核心结构与技术原理

局部感知与参数共享CNN模拟了人类视觉系统的工作方式。人眼在观察物体时，会先聚焦局部细节（如边缘、纹理），再逐步整合为整体认知。CNN通过卷积层实现这一过程：使用小型滤波器（如3×3或5×5的窗口）在图像上滑动，每次只关注局部区域，提取边缘、角点等基础特征。参数共享是CNN的核心创新。传统神经网络中，每个神经元都有独立的权重参数，而CNN的卷积核在图像不同位置滑动时，参数保持不变。例如，一个3×3的卷积核在扫描整张图片时，始终使用同一组9个参数。这种设计大幅减少了参数量，使模型更轻量，同时增强了特征的位置不变性——即使物体在图像中平移，CNN仍能识别其特征。

特斯拉的自动驾驶仪无疑是目前最先进的计算机视觉系统，从自动驾驶汽车最重要的功能，车道检测到行人跟踪，再到信号灯识别等等，它们必须涵盖所有道路信息，并预测每种情况。因此特斯拉发布了“ Tesla Vision ” 相机制成的感知系统，特斯拉的计算机视觉新系统只配备了8个摄像头……这种纯计算机视觉的应用，使其成为世界上唯一不使用雷达的自动驾驶公司之一！

从下面视频中，我们可以看到特斯拉的计算机视觉系统。车辆周围的 8 个摄像头（左，搜集车周围的影像）通过神经网络生成 3 维“向量空间”（右，生成最终的车道信息），代表自动驾驶所需的一切信息，如线条、边缘、路缘、交通标志、红绿灯、汽车；汽车的位置、方向、深度、速度等等信息，而这一些的实现，只是特斯拉上面的8个摄像头与自动驾驶系统来实现的。其中自动驾驶系统中，最重要的便是来训练处理8个摄像头采集到的影像信息的神经网络模型了。

来源：机器学习算法那些事