机器学习 深度学习 中 有个关于权重的问题

Question

简单例子；我们做个猫狗分类，有猫狗训练图片 。只分两类 。 我们是不是应该要做以下大概步骤 .

1,图片 换算矩阵 rgb三通道 换算 做出 换维度的新的材料。
2，卷积 ，池化， 用各个神经元上的权重参数 w1 w2。。 wx 去和提取的特征做乘法 然后 在相加 在加上 偏执值 b 。最后输出 2个结果 都为0-1直接的 小数 对应猫的参数的结果 越接近1那么也就是说 猫的概率越大 比如 0.6是猫 0.4是狗 。
3，由于 0.6 还不够接近1 所以我们 用误差 来反向传播进网络 ，并且反复 反正传播 最终 损失值loss 越来越小。使得w1 w2 。wx 更科学 。

以上 是我对 图片识别分类任务流程的 基本认识 如果不对请指正。

下面问题来了：
问 ，
w1 w2.。wx 和 偏执b 这些就是我们从第一张图片经过有监督学习 反复反向传播 得到的权重值。 可是我们有了这些权重后又该做些什么。

那么我们如果 把第二张 图片 用上述的 卷积 池化等等步骤 处理 ，然后 和我们已经得到的w1 w2.。wx 以及b 做运算 也会得到 2个结果 。

那这2个结果 如果不准确 我们下一步要做什么 ？是继续做反向传播吗？ 如果继续 那么我们将会得到新的w1 w2 。wx 和b 。新的到的权重值 又有什么用呢 第二次得到的这些权重值 应用到第一张图片上 还能得出 正确的结果吗。

这就是我的问题 我没有搞懂 权重 值 如何继承下来 变成我们所说的经验 也就是说 我没有搞懂 权重是 如何通过训练 得到经验

Answer 1

阿里嘎多学长整理AIGC生成，因移动端显示问题导致当前答案未能完全显示，请使用PC端查看更加详细的解答过程

理解你的问题

你在问关于机器学习和深度学习中，特别是猫狗分类问题的权重问题。你的问题可以总结为：

• 你想知道在猫狗分类问题中，如何处理图片数据，特别是如何将图片转换为矩阵形式。
• 你想知道在卷积神经网络（CNN）中，如何使用权重来进行特征提取和分类。

你的问题的解决方案

1. 图片转换为矩阵：你可以使用以下步骤来将图片转换为矩阵：

• 将图片转换为RGB三通道图像。
• 使用图像处理库（如OpenCV）将图像转换为矩阵形式。
• 使用矩阵运算库（如NumPy）来进行矩阵运算。

1. 卷积和池化：在CNN中，卷积层和池化层是用于提取特征的关键层。卷积层使用权重来扫描输入矩阵，池化层用于降低空间维度。

• 卷积层使用权重来扫描输入矩阵，生成特征图。
• 池化层使用最大池化或平均池化来降低空间维度。

核心代码

以下是使用Python和Keras库来实现猫狗分类问题的核心代码：

from keras.models import Sequential
from keras.layers import Conv2D, MaxPooling2D, Flatten, Dense
from keras.preprocessing.image import ImageDataGenerator
import numpy as np

# 加载数据
train_dir = 'path/to/train/directory'
test_dir = 'path/to/test/directory'

# 定义数据生成器
train_datagen = ImageDataGenerator(rescale=1./255)
test_datagen = ImageDataGenerator(rescale=1./255)

train_generator = train_datagen.flow_from_directory(train_dir, target_size=(224, 224), batch_size=32, class_mode='binary')
test_generator = test_datagen.flow_from_directory(test_dir, target_size=(224, 224), batch_size=32, class_mode='binary')

# 定义模型
model = Sequential()
model.add(Conv2D(32, (3, 3), activation='relu', input_shape=(224, 224, 3)))
model.add(MaxPooling2D((2, 2)))
model.add(Conv2D(64, (3, 3), activation='relu'))
model.add(MaxPooling2D((2, 2)))
model.add(Conv2D(128, (3, 3), activation='relu'))
model.add(MaxPooling2D((2, 2)))
model.add(Flatten())
model.add(Dense(128, activation='relu'))
model.add(Dense(1, activation='sigmoid'))

# 编译模型
model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])

# 训练模型
model.fit(train_generator, epochs=10, validation_data=test_generator)

注意：以上代码仅供参考，具体的实现细节可能需要根据实际情况进行调整。