《AI新媒体艺术设计》课件-6.深度学习核心概念（神经网络、卷积神经网络）

深度学习核心概念神经网络01卷积神经网络02神经网络——类“大脑神经元”的AI结构设计灵感源于人类大脑工作方式：大脑神经元通过突触连接处理信息，神经网络通过“人工神经元”与“权重”模拟这一过程基本结构​包含输入层、隐藏层、输出层三部分，每一层有多个“人工神经元”，神经元间通过“权重”（信号传递强度）连接隐藏层：“核心思考区”（可设一层或多层）第一层：识别“颜色特征”（鲜艳色彩、渐变效果）AI判断图片是否为“新媒体艺术作品”输入层：类似“眼睛”，接收原始数据（如100×100像素图片的30000个红、绿、蓝颜色值），直接传递给隐藏层第二层：识别“形状特征”（抽象几何图形、动态线条）第三层：识别“风格特征”（交互元素、数字合成效果）处理结果通过权重传递给下一层输出层：给出最终判断（“是/不是新媒体艺术作品”），并附带概率（如90%是、10%不是）输入训练数据：大量标注数据（如1000张图片，500张标“是”、500张标“不是”）01反复调整权重：判断错误（如把“不是”判为“是”）：降低错误路径权重判断正确：提高正确路径权重02神经网络的训练过程与艺术应用神经网络“学会”判断的关键形成稳定逻辑：经成千上万次训练，建立可靠的“判断规则”03接收音乐的音调、节奏、音量数据，经多层处理转化为动态视觉效果（如节奏快→画面闪烁频繁，音调高→画面颜色变亮）AI音乐可视化：分析大量人脸照片的五官比例、肤色、表情特征，生成艺术风格人脸图像AI人脸艺术生成：新媒体艺术应用场景定位：神经网络的重要分支普通神经网络：“通用思考者”，处理数据时易忽略空间关系，计算量大卷积神经网络（CNN）：“专门看图片的专家”，通过“卷积操作”高效提取图像空间特征，适合图像类任务卷积神经网络——擅“看图片”的AI专家卷积：提取局部特征AI识别“交互装置艺术”图片设多个“卷积核”（类似“放大镜”），各擅长识别一种特征（线条、边缘、纹理）​卷积核在图片上“滑动”，分析局部像素（如识别装置的金属支架线条、轮廓边缘、表面纹理）​输出“特征图”，记录特征位置与强度，多层卷积后逐步提取“装置结构”“交互部件”等复杂特征池化：简化特征、降计算量常用“最大池化”：将特征图分2×2小区域，保留每个区域最大像素值（最明显特征）​效果：特征图尺寸缩小一半，保留关键特征（如简化装置支架线条、部件轮廓特征图）全连接：综合特征、做判断将简化后的特征图转化为“特征向量”（一串关键特征数字），传递给全连接层​全连接层综合计算，给出结果（如“是交互装置艺术的概率95%”）01AI艺术风格迁移升级优势：比普通风格迁移更精细，能准确识别图片元素并赋予对应风格细节​案例：将普通校园照片迁移成“交互装置艺术风格”，AI精准识别建筑、树木等元素，让最终效果更自然、有层次感02AI实时图像交互装置核心能力：高效提取图像特征，实现流畅实时交互​案例：展览中，CNN实时识别观众动作（挥手→播放动态影像、握拳→切换交互效果），保障交互的流畅性卷积神经网络的新媒体艺术应用神经网络与卷积神经网络的区别与应用场景对比维度普通神经网络卷积神经网络（CNN）核心优势处理结构化数据，应用范围广擅长处理图像数据，高效提取空间特征处理数据类型结构化数据、音频数据、文本数据主要处理图像数据（照片、视频帧）新媒体艺术应用AI音乐生成、基础文本生成图像AI精细风格迁移、实时图像交互、图像修复涉及“图像”（生成艺术图片、图像交互装置）：优先选卷积神经网络涉及“音频”“文本”等非图像数据（生成艺术音乐、基础文本生图）：普通神经网络即可思考问题：做“AI校园涂鸦艺术生成器”，根据手绘线条生成涂鸦风格校园场景，用哪种网络？答案:​卷积神经网络。因需处理图像（识别手绘线条走向、粗细，结合校园场景图像特征），CNN擅长提取图像空间特征，能更好完成任务专科阶段学习重点无需深入研究数学公式（如卷积具体计算），核心理解“作用是什么”“创作中怎么用”01后续实操方向使用现成AI工具（TensorFlowHub、PyTorchHub）调用模型，完成创作（如给照片加“赛博朋克”“印象派”风格，用CNN识别画面控制LED显示）02课后准备任务学习Python基础语法：多数AI工具需简单Python代码编写​关注AI艺术平台：Artbreeder、Runway等，观察CNN创作的作品，感受应用效果03