深度学习（四）-卷积神经网络

最新推荐文章于 2025-11-15 16:13:50 发布
原创 最新推荐文章于 2025-11-15 16:13:50 发布 · 833 阅读 · 11 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#深度学习 #cnn #人工智能

神经网络局限

不考虑数据形状

未考虑数据的“形状”，会破坏数据空间结构。例如，输入数据是图像时，图像通常是高长通道方向上的3维形状。但是，向全连接层输入时，需要将3维数据拉平为1维数据

参数庞大

全连接网络参数量庞大，需要降低参数量

深度受限

全连接网络层次深度受限，一般不超过七层，过深会导致梯度消失（梯度过小）或梯度爆炸（梯度过大），模型性能无法进一步提升。神经网络由输入、权重相乘得到，如果输入X 进行了归一化（
0~1）之间，会导致越乘越小（梯度消失）；如果 X 不做归一化，会导致值越乘越大
最低0.47元/天 解锁文章
完全卷积，有效卷积，同维卷积
weixin_45231460的博客
05-06 3448
a=[1,2,3,4,5] 原数组 b=[8,7,6] 卷积核数组 因为卷积核数组中，8先生效，所以运算时将其对调变为[6,7,8]。 完全卷积 ( full )：卷积核数组中的任意元素都生效 同维卷积( same )：卷积核中的核心元素生效 有效卷积( valid ) ：卷积核数组中每个元素都生效 总图： ...
数据操作基础库numpy-下(常用函数)
Qwertyuiop2016的博客
12-28 2135
数据操作基础库numpy-中 一、数组对象 1、ndarray
多维卷积与一维卷积的统一性（运算篇）
pudongdong的博客
03-07 3037
------------------------------------​ ​所谓卷积，其实是一种数学运算。但是在我们的学习生涯中，往往它都是披上了一层外衣，使得我们经常知其然不知其所以然。比如在信号系统中，他是以一维卷积的形式出现描述系统脉冲响应。又比如在图像处理中，他是以二维卷积的形式出现，可以对图像进行模糊处理。乍一看，两个形式风马牛不相及，但其实他们的本质都是统一的。可见，我
CNN神经网络之一维卷积、二维卷积详解
凌逆战的博客
07-19 2万+
作者：凌逆战 地址：https://www.cnblogs.com/LXP-Never/p/10763804.html 在看这两个函数之前，我们需要先了解一维卷积(conv1d)和二维卷积(conv2d)，二维卷积是将一个特征图在width和height两个方向进行滑动窗口操作，对应位置进行相乘求和；而一维卷积则只是在width或者height方向上进行滑动窗口并相乘求和。 一维卷积：...
深度学习基础知识点【更新中】
Kint的博客
03-26 3548
汇总整理个人在深度学习方面学习的基础知识点。
深度学习03-卷积神经网络(CNN)
liaomin416100569的专栏
05-12 4万+
CNN，即卷积神经网络（Convolutional Neural Network），是一种常用于图像和视频处理的深度学习模型。与传统神经网络相比，CNN 有着更好的处理图像和序列数据的能力，因为它能够自动学习图像中的特征，并提取出最有用的信息。CNN 的一个核心特点是卷积操作，它可以在图像上进行滑动窗口的计算，通过滤波器（又称卷积核）和池化层（Max Pooling）来提取出图像的特征。卷积操作可以有效地减少权重数量，降低计算量，同时也能够保留图像的空间结构信息。
深度学习原理-----卷积神经网络
didiaopao的博客
09-01 1万+
利用大量的图片来讲解卷积神经网络的原理
深度学习---卷积神经网络（CNN）
weixin_48678602的博客
10-12 7156
文章目录1. 什么是深度学习？2. 深度学习框架2.1 卷积神经网络（CNN）2.1.1 引子 ：边界检测2.1.2 CNN的基本概念2.1.3 CNN的结构组成2.1.4 卷积神经网络 VS. 传统神经网络 1. 什么是深度学习？ 深度学习(DL, Deep Learning)是机器学习(ML, Machine Learning)领域中一个新的研究方向，它被引入机器学习使其更接近于最初的目标–人工智能(AI, Artificial Intelligence)。 深度学习是学习样本数据的内在规律和表示层次，
【深度学习】一文搞懂卷积神经网络（CNN）的原理（超详细）
热门推荐
AI_dataloads的博客
09-24 41万+
在卷积神经网络中，卷积操作是指将一个可移动的小窗口（称为数据窗口，如下图绿色矩形）与图像进行逐元素相乘然后相加的操作。这个小窗口其实是一组固定的权重，它可以被看作是一个特定的滤波器（filter）或卷积核。这个操作的名称“卷积”，源自于这种元素级相乘和求和的过程。这一操作是卷积神经网络名字的来源。上图这个绿色小窗就是数据窗口。简而言之，卷积操作就是用一个可移动的小窗口来提取图像中的特征。
深度学习8-卷积神经网络基础
01-06
卷积神经网络基础二维卷积层互相关运算与卷积运算特征图与感受野卷积层的两个超参数多输入通道和多输出通道卷积层与全连接层的对比卷积层的实现池化 主要是卷积层和池化层，并解释填充、步幅、输入通道和输出通道的...
动手学深度学习之-卷积神经网络基础
01-06
卷积神经网络基础 参考伯禹学习平台《动手学深度学习》课程内容内容撰写的学习笔记 原文链接：https://www.boyuai.com/elites/course/cZu18YmweLv10OeV/video/whY-8BhPmsle8wyEEyTST 感谢伯禹平台，Datawhale，和鲸...
机器学习-卷积神经网络
05-05
机器学习是人工智能领域中的一种主要技术，卷积神经网络（Convolutional Neural Network，CNN）是机器学习中的一种深度学习算法。卷积神经网络是为图像识别和信号处理而设计的，具有广泛的应用前景。 卷积神经网络...
深度学习入门课程---卷积神经网络反向传播原理视频教程.mp4
02-07
深度学习入门课程---卷积神经网络反向传播原理视频教程，希望能够学习者提供帮助，实现对卷积神经网络反向传播原理基础知识的掌握与理解，为后续学习做好铺垫，实现卷积神经网络反向传播原理的灵活运用
CNN-深度学习-卷积神经网络.ppt
08-18
人工智能，CNN（深度学习之卷积神经网络）的教学版PPT，讲解的很到位，非常具体，希望对各位有所帮助
快速上手大模型：深度学习5（实践：过、欠拟合）
weixin_45728280的博客
11-15 575
本文介绍了多项式回归中的模型拟合问题及其解决方法。主要内容包括：1) 生成多项式数据集并进行格式转换；2) 构建模型训练框架，评估损失函数；3) 分析正常拟合、欠拟合和过拟合三种情况；4) 提出两种解决过拟合的方法：权重衰减（L2正则化）和Dropout。文章详细展示了从数据准备到模型评估的完整流程，并通过PyTorch实现演示了如何通过正则化技术控制模型复杂度，从而提高泛化能力。实验结果表明，适当的正则化能有效缓解过拟合问题。
深度学习：动量梯度下降实战（Momentum Gradient Descent）
最新发布
sweet_ran的博客
11-15 512
动量梯度下降法通过引入惯性机制（β≈0.9）优化传统梯度下降：①利用指数加权平均融合当前梯度与历史梯度，有效缓解震荡问题；②在代码实现时需维护速度变量v，先更新速度再调整参数；③相比标准GD具有更快收敛、路径更稳、抗噪声更强等优势，适用于大多数深度学习任务。典型超参数组合为β=0.9+学习率0.001-0.01，已成为现代优化器的基础组件。
【深度学习新浪潮】什么是空间智能？
智能守恒_HengAI
11-12 179
空间智能是指机器对三维物理空间及其中物体的感知、建模、推理与决策能力，其核心目标是理解“物体-空间”“物体-物体”之间的复杂关系（如位置、姿态、约束、运动规律），并将这种理解转化为可执行的行动指令，实现与物理世界的高效交互。其本质是模拟人类的空间认知直觉：人类无需精确测量数据，就能快速判断“杯子在桌子上”“汽车在行人前方”，并基于此完成“拿起杯子”“避让行人”等动作。空间智能就是让机器具备这种“直觉式”的空间理解能力，打破传统计算机视觉“重识别、轻关系”的局限。采用简化版CLEVR数据集。
【深度学习新浪潮】算法工程师如何入门芯片硬软件设计工作？
智能守恒_HengAI
11-14 223
当下芯片行业的核心需求是“让芯片更好地适配算法”，而算法工程师恰恰掌握“算法需求的第一手信息”——这种跨领域优势，让算法工程师入门芯片设计后，更容易在“AI芯片”“边缘计算芯片”等领域找到突破口。入门不必求快，先花3个月建立硬件思维，再用3个月完成1-2个FPGA实操项目，逐步形成“算法-硬件-软件”的联动能力。随着实践深入，你会发现：芯片设计不是“算法的对立面”，而是“算法落地的最强支撑”——而这种“既懂算法，又懂芯片”的能力，正是未来十年科技行业的核心竞争力。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值