浅析卷积神经网络的模型结构

最新推荐文章于 2024-07-28 18:43:21 发布
最新推荐文章于 2024-07-28 18:43:21 发布
阅读量409 收藏 1
点赞数
分类专栏： 综述 文章标签： 深度学习 ResNet GoogLeNet DenseNet

早期的卷积神经网络由于数据量和硬件条件的限制，没有广泛的应用到各种任务中。之后的话，大数据时代的到来以及，卷积神经网络取得了爆发性的进展。产生了各种各样的卷积网络的模型，比如VGG、GoogLeNet等，它们的实验效果非常好，很多都刷新了各种标准数据集的精度。她的应用也拓展到了各类任务中，比如分割、分类、生成、重建等。

AlexNet

结构

网络结构：5卷积+3MaxPooling

激活：用ReLU代替tanh

使用了LRN函数。

采用了dropout函数。

总结

AlexNet可以看做是LeNet5的推广，在其基础上增加了卷积层和全连接通道，并且多次使用MaxPooling进行下采样，使网络可以处理224*224的大尺寸图片，再次证明了卷积神经网络的能力。

VGG

网络结构复杂，参数也很多。

结构

第一个卷积层没有使用11*11和7*7这样大的卷积核，使用的是3*3的。因为实验发现3个3*3的卷积核一个7*7的卷积核感受

差不多，但是参数少一半，更好计算。

GoogLeNet

GoogLeNet参数量是AlexNet的1/12,但是精度更高,Inception V1结构如下:

结构特点：

1*1卷积、3*3卷积、5*5卷积以及下采样，其中不同大小的卷积核可以提供不同大小的视野。b中的1*1卷积是为了减少参数。最后将所有的输出结合在一起。

Inception结构中每个卷积后都会经过ReLU激活。

之后还有Inception V2，V3，以及Inception-Residual等结构。

ResNet

在VGG的基础上提出shortcut连接，在某层的特征图加上其它层的特征图。这样可以让层数更深。多个分支采样加法的方式结合在一起。

DenseNet

将shortcut结构发挥到极致，提出了DenseBlock结构，即每个中间层的特征输出都会连接到后面的层的特征图中。多个方式采用级联（通道维度上拼接）的方式融合。

 

参考：

https://www.jianshu.com/p/3510872fb186

https://www.jianshu.com/p/00a53eb5f4b3

https://mp.weixin.qq.com/s/k9Nym4Wwsra0VFStpvoamg

 

 

Aprillllllllll
关注
专栏目录
卷积神经网络（CNN）网络结构及模型原理介绍
stephon_100的博客
06-24 9952
卷积神经网络（CNN）网络结构模型构建及介绍
卷积神经网络发展现状,卷积神经网络发展历程
aifamao3的博客
08-22 1136
4.卷积神经网络仿造生物的视知觉（visualperception）机制构建，可以进行监督学习和非监督学习，其隐含层内的卷积核参数共享和层间连接的稀疏性使得卷积神经网络能够以较小的计算量对格点化（grid-liketopology）特征，例如像素和音频进行学习、有稳定的效果且对数据没有额外的特征工程（featureengineering）要求。或通过脑机交互，将计算与生命体融合，构建以虚拟脑与生物脑为物质基础的脑机一体化的超级大脑，最终建立新型的计算结构与智能形态。这个过程不断重复，直到输出神经元被激发。
卷积神经网络的结构
qq_21578125的博客
07-09 5万+
一个卷积神经网络主要由以下5种结构组成：1.输入层。输入层是整个神经网络的输入，在处理图像的卷积神经网络中，它一般代表了一张图片的像素矩阵。比如在图6-7中，最左侧的三维矩阵的长和宽代表了图像的大小，而三维矩阵的深度代表了图像的色彩通道（channel）。比如黑白图片的深度为1，而在RGB色彩模式下，图像的深度为3。从输入层开始，卷积神经网络通过不同的神经网络结构下将上一层的三维矩阵转化为下一层的...
卷积神经网络（CNN）的结构解读
最新发布
Dylan_TAI的博客
07-28 984
当输入一张大小为8x8x3的彩色图时，已经提前设计好了卷积核的输出通道为5，即卷积核的个数为5【即五个偏置，一个卷积核一个偏置】（通道数的设计一般是实验后得到的较优结果）。下图中，第一列代表输入图像，第二列代表特征图，两幅特征图中的特征值都是[1,0,0,0]，但是1的位置不同（代表猫处于图像中的不同位置），就意味着这两个特征图不一样，直接交给程序判别，就会认为两幅图像不一样。卷积核的某个输入通道在对应的图像输入通道上进行滑动时，卷积核的权重是不变的，这意味着对于该图像通道，共享同一组权重值。
卷积神经网络 ——卷积神经网络的结构
xuechanba的博客
06-02 1万+
卷积神经网络是一种多层的、前馈型网络。从结构上，可以分为特征提取阶段和分类识别阶段。 在特征提取阶段，通常由多个特征层堆叠而成，每个特征层又由卷积层和池化层组成。 处于网络前端的特征层，用来捕捉图像局部细节信息，而后面的特征层则用来捕捉图像中更加抽象的信息。在分类识别阶段，通常是一个简单的分类器，例如全连接网络或支持向量机，它接收最后一个特征层的输出，完成分类和识别。卷积层也叫做特征提取层，使用卷积核来提取图像中的特征。 要注意的是，这里的卷积运算是有偏置项的，一个卷积核在整张图片上提取到的特征构成特
卷积神经网络
Retarded78_的博客
09-20 765
一、卷积神经网络介绍 1、与传统多层神经网络对比 传统：输入层——隐藏层——输出层 卷积：输入层——隐藏层——（卷积层、激活层、池化层、全连接层）——输出层 2、发展历史 3、卷积神经网络-结构 卷积层:通过在原始图像上平移来提取特征 激活层（激活函数）：增加非线性分割能力 sigmoid:1/(1+e^-x) 1)计算量相对大 2）梯度消失 3）输入值得范围【-6,6】 relu:...
卷积神经网络（CNN）结构详解
咖乐部
11-06 5万+
一、CNN的基本结构： 1.图像就是输入层 2.接着是CNN特有的卷积层（convolution），卷积层的自带激活函数使用的是ReLU 3.接着是CNN特有的池化层（pooling）， 4.卷积层+池化层的组合可以在隐藏层中出现很多次。也可以灵活组合，卷积+卷积+池化、卷积+卷积等 5.在若干卷积层+池化层之后是全连接层（fully connected layer），其实就是DNN结构，只是输出层使用了Softmax激活函数来做图像识别的分类 6.一般fc就为CNN的全连接层。全连接层一般..
浅析卷积神经网络的图像特征提取技术_薛先贵.pdf
05-18
卷积神经网络（CNN，Convolutional Neural Network）是一种在机器学习领域，特别是图像处理方面广泛应用的深度学习模型。它的核心在于其独特的结构设计，包括局部连接性、权重共享以及池化操作，这些特性使得CNN在...
浅析卷积神经网络.pdf
09-26
总之，卷积神经网络通过其独特的结构和运算方式，极大地提升了对高维数据的学习和理解能力，成为现代深度学习中不可或缺的工具。然而，CNNs的设计和优化仍然是一门艺术，需要根据具体任务和数据集进行调整和改进。
浅析卷积神经网络在图像识别中的应用.pdf
09-26
卷积神经网络（Convolutional Neural Network，简称CNN）是一种深度学习模型，它在图像识别领域扮演着核心角色。CNN的设计灵感来源于生物视觉系统，尤其是大脑的视觉皮层，其核心在于利用卷积操作来自动学习图像的...
浅析基于卷积神经网络的图像识别技术
04-13
基于此原理发展起来的卷积神经网络，因其在网络结构和学习过程中的独特优势，在图像识别领域得到广泛应用。 在图像识别过程中，CNN不需要人工设计特征提取器，而是可以通过输入图片直接从数据中学习到有用的特征...
卷积神经网络算法介绍,卷积神经网络模型结构
wenangou的博客
09-02 777
这两个概念实际上是互相交叉的，例如，卷积神经网络（Convolutionalneuralnetworks，简称CNNs）就是一种深度的监督学习下的机器学习模型，而深度置信网（DeepBeliefNets，简称DBNs）就是一种无监督学习下的机器学习模型。②具有联想存储功能。网络的中间层数、各层的神经元个数可根据具体情况任意设定，并且随着结构的差异其性能也有所不同。寻找一个复杂问题的优化解，往往需要很大的计算量，利用一个针对某问题而设计的反馈型人工神经网络，发挥计算机的高速运算能力，可能很快找到优化解。
卷积神经网络结构_卷积神经网络
weixin_26752765的博客
09-05 550
卷积神经网络结构CNN’s are a special type of ANN which accepts images as inputs. Below is the representation of a basic neuron of an ANN which takes as input X vector. The values in the X vector is then multip...
卷积神经网络的基本结构
seasonsyy的博客
02-16 2789
卷积神经网络的基本结构:典型的CNN结构包括： 1. 数据输入层（Input Layer） 2. 卷积层（Convolutional Layer） 3. 激活层（Activation Layer） 4. 池化层（Pooling Layer） 5. 全连接层（Full Connection Layer） 6. 损失层（Loss Function Layer） 7. 精度层（Accuracy Layer）
卷积神经网络模型
Kevin_Carpricron的博客
04-09 1万+
卷积神经网络模型 卷积神经网络（LeNet) 模型结构：卷积层块， 全链接层块 卷积层块：2个卷积层 + 最大池化层 的结构组成。 由于LeNet是较早的CNN， 在每个卷积层 + 池化层后多会跟一个sigmod层 来修正输出结果。 而现在用的较多的是Relu。 全连接层块：输入为二维向量。 单卷积层块的输出传入全连接层的时候会对小批量对每个样本进行扁平化（flatten） LeNet 会随着网络的加深，宽度逐渐降低，通道逐渐增多。 深度卷积神经网络（AlexNet） 模型结构：5层卷积 + 2层全
卷积神经网络结构相关
女王の专属领地
04-28 2587
PART 1针对conv层、全连接层、pooling层，另外稍带介绍了CNN中的激活函数Relu。文章主要参考了零基础入门深度学习（4）中的内容，并根据本人对于CNN的理解进行了部分修改。 本文将详细介绍卷积神经网络以及它的训练算法，以及动手实现一个简单的卷积神经网络。  一个新的激活函数：Relu  最近几年卷积神经网络中，激活函数往往不选择sigmoid或tanh函数，而是选择relu函数。R...
Deep Learning（深度学习）学习笔记整理系列之（七）
热门推荐
zouxy09的专栏
04-10 66万+
Deep Learning（深度学习）学习笔记整理系列 zouxy09@qq.com http://blog.csdn.net/zouxy09 作者：Zouxy version 1.0 2013-04-08 声明： 1）该Deep Learning的学习系列是整理自网上很大牛和机器学习专家所无私奉献的资料的。具体引用的资料请看参考文献。具体的版本声明也参考原文献。 2）本文仅供学
经典卷积神经网络架构
方同学的博客
02-23 526
1、
浅析人工神经网络：原理与应用
5. 多层神经网络（深度学习）：深入探讨了深度神经网络的概念，如卷积神经网络（CNN）和循环神经网络（RNN），以及它们在图像识别、自然语言处理等领域的应用。 6. 回顾与展望：总结了神经网络的发展历程，以及未来...
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