机器学习：卷积神经网络

最新推荐文章于 2024-01-17 15:18:20 发布
最新推荐文章于 2024-01-17 15:18:20 发布
阅读量419 收藏 5
点赞数 1
分类专栏： 机器学习笔记 文章标签： 机器学习 神经网络 卷积神经网络
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。
本文链接：https://blog.csdn.net/Dreaming5498/article/details/99716257
版权

文章目录

引入

首先思考一个问题：我们如何识别一个熟人？

场景1：你的同学小王迎面向你走来，你说：嗨，早上好！

场景2：你们班新来了一个同学，你看了他一眼，心里想到，这人是谁啊。

场景1：
1. 离远看的时候，看脸型（模糊的轮廓），诶好像是认识的人，好像是小王，但是不敢确定
2. 走近一点，看这眼睛，这鼻子，这嘴巴，不就是小王嘛

场景2：
1. 扫视周围同学，这个人是小王，每天都来，我认识；这个人是班主任，挺烦的，但是我也认识
2. 这个人我好像没见过啊，仔细看看… 看看眼睛，鼻子，嘴巴。嗯…确实没见过

我们把这两个场景抽象出来：

我们把对象的轮廓提取出来，与我们脑子里的“人脸数据库”进行对比

如果有相似概率比较高的，我们就进行下一步处理；如果没有，这个人我们大概率就不去看了

抽取对象的局部特征，与我们脑子里某个人的局部特征进行对比

得出结论：
（1）如果相似度接近100%，那我们断定，就是这个人
（2）如果相似度较高，根据新的特征，那我们推测，这哥们可能是被揍了，或者化妆了
（3）如果相似度一般，那我们说，这人和“某某某”长得真像啊
（4）如果相似度不高，那这人我们就没见过

第二个问题：计算机如何模拟人的行为进行识别

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

RGB示例

在这里插入图片描述
在这里插入图片描述

轮廓特征

在这里插入图片描述

局部特征

在这里插入图片描述

计算机处理图像识别的思路

  1. 轮廓特征和局部特征的抽取：

    （1）通过对每个像素块RGB数据的抽取，得出每个像素块的值
    （2）在某个范围内（眼睛，鼻子，嘴），抽取所有，或者一部分的像素块，得到某个范
    围内的图像

  2. 轮廓特征和局部特征的对比
    通过和样本库进行对比，确定局部是不是类似的

  3. 把所有局部的对比结果综合，得出最后结论
    “啊！ 这是小王，我需要跟他打个招呼！”

神经网络和卷积神经网络的联系

在这里插入图片描述
在这里插入图片描述

卷积神经网络的原理

卷积运算

在这里插入图片描述

边缘检测

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
eg:
在这里插入图片描述
在这里插入图片描述

灰度图

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

Padding & Stride (填充和步长)

卷积运算的缺点

  • 每次做卷积的时候，图像都会缩小
  • 角落的像素点只会被使用一次，而中间的像素点会用到很多次，这意味着你丢掉了很多图像边缘的信息

解决的方法 – 在做卷积运算前，对图像进行填充

在这里插入图片描述
在这里插入图片描述

Vaild 和 Same 卷积运算

在这里插入图片描述

Stride 步长

在这里插入图片描述
公式:

((n + 2p – f)/s + 1) x (n + 2p – f)/s + 1)

注意:

如果商不为0， 那就向下取整

如果移动到了外面，那就跳过

卷积神经网络的总结和延伸

基于RGB的卷积神经网络

在这里插入图片描述
在这里插入图片描述

卷积神经网络的示例1

在这里插入图片描述
在这里插入图片描述

池化层

池化层是用来缩减模型，提高计算速度，同时提高所取得特征的鲁棒性

池化层是用来降采样subsample, shrink, 减少计算负荷，内存使用，参数数量（防止过拟合）

正如卷积神经网络一样，在池化层中的每个神经元被连接到上面一层输出的神经元，只对应一小块感受野的区域。 我们必须定义大小，步长，padding类型

池化层没有权重值，他只是聚合输入根据取最大值或者求均值

池化层的例子： 2x2的池化核，步长为2，没有填充，只有最大值往下传，其他输入被丢弃掉了； 直观的理解说就是，因为取最大值，所以较小值就会被忽略，也就是不重要的特征会被忽略

最大池化

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

平均池化

平均池化选取的不是每个过滤器的最大值，而是平均值
在这里插入图片描述

参数总结

超参数：

f: 过滤器大小

s：步长

最大池化或者平均池化

没有padding！所以池化层公式就变为： ((n – f )/ s + 1) x ((n – f )/ s + 1) x nc

最大池化层是一个静态属性

卷积神经网络示例2 – 基于经典模型LeNet5

在这里插入图片描述
在这里插入图片描述

为什么要用卷积神经网络

既然我们能把图像数据化，那我们可以可以不用卷积神经网络呢，直接用深度神经网络呢？

可以，但是运算量很大

比如LeNet，第一层就需要1400万个参数，而且要知道32x32是一个非常非常小的图像

但是用卷积神经网络，第一层只有156个参数

参数共享和稀疏连接

在这里插入图片描述
通过循环梯度下降，把不重要的特征权重降低（稀疏链接），最终得到合适的模型

卷积神经网络流程

在这里插入图片描述

Mr. Donkey_K
关注
  • 1
    点赞
  • 踩
  • 5
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
机器学习（16）——卷积神经网络（一）
weixin_53598445的博客
04-26 5567
文章目录1 简介2 卷积层2.1 权值共享2.2 卷积操作2.3 单通道输入和单卷积核2.4 多通道输入和单卷积核2.5 多通道输入和多卷积核 1 简介   卷积网络（convolutional network）(LeCun, 1989)，也叫做 卷积神经网络（convolutional neural network, CNN），是一种专门用来处理具有类似网格结构的数据的神经网络。例如时间序列数据（可以认为是在时间轴上有规律地采样形成的一维网格）和图像数据（可以看作是二维的像素网格）。卷积网络在诸多应用领域
机器学习（六） 卷积神经网络
May the Force be with you
08-10 3528
机器学习（六） 卷积神经网络 数据集来源：kaggle：Stanford Dogs Dataset 1.数据读入 import numpy as np # 导入Numpy import pandas as pd # 导入Pandas import os # 导入os工具 print(os.listdir("../input/stanford-dogs-dataset/images/Images")) 只处理10个目录： # 本示例咱只处理这10种狗吧 dir = '../input/stanford-do
机器学习之卷积神经网络（自用学习笔记）
PlutoLilian的博客
09-17 980
卷积神经网络自学笔记
机器学习——卷积神经网络（CNN）
beiye_的博客
03-12 8903
机器学习——卷积神经网络（CNN）
机器学习之卷积神经网络
最新发布
WEL测试
01-17 1255
卷积神经网络的结构包括：输入层、卷积层、池化层、全连接、输出层。
机器学习：卷积神经网络.ppt
09-17
机器学习：卷积神经网络.ppt
机器学习-卷积神经网络
05-05
机器学习-卷积神经网络 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...
机器学习之卷积神经网络学习
06-28
"机器学习之卷积神经网络学习" 本文将详细介绍卷积神经网络（Convolutional Neural Networks，CNN）的基本概念和工作原理。卷积神经网络是一种深度学习模型，常用于图像识别、目标检测和图像分割等领域。 一、神经...
5-机器学习系列（5）：卷积神经网络CNN之--原理及python实现1
08-03
卷积神经网络CNN之原理及Python实现 卷积神经网络（CNN）是一种流行的神经网络结构，广泛应用于计算机视觉领域。CNN的原理是基于卷积运算和池化层，旨在提取图像中的边缘信息和特征。下面是卷积神经网络的原理和...
CNN_大数据_机器学习_卷积神经网络_
10-02
卷积神经网络（CNN，Convolutional Neural Network）是一种深度学习模型，尤其在图像处理领域表现出色，如手写数字识别。在这个项目中，我们将会深入探讨如何利用CNN实现这一功能，同时结合大数据和机器学习的技术。...
机器学习-12 卷积神经网络简介
qq_51580006的博客
06-09 1248
深度学习是一种利用复杂结构的多个处理层来实现对数据进行高层次抽象的算法，是机器学习的一个重要分支。传统的BP算法仅有几层网络，需要手工指定特征且易出现局部最优问题，而深度学习引入了概率生成模型，可自动地从训练集提取特征，解决了手工特征考虑不周的问题，而且初始化了神经网络权重，采用反向传播算法进行训练，与BP算法相比取得了很好的效果。卷积神经网络目前是深度学习领域的热点，尤其是图像识别和模式分类。
机器学习的卷积神经网络（CNN）
a1111111111ss的博客
05-03 914
本文首发 https://blog.csdn.net/qq_25762497/article/details/51052861#%E5%85%A8%E8%BF%9E%E6%8E%A5%E5%B1%82fully-connected-layer ** 卷积神经网络（CNN） 卷积神经网络跟普通的神经网络相似，他们都具有可学习的权重和偏执常量的神经元组成 卷积神经网络是具有三维体积的神经元（是比较抽象...
python机器学习卷积神经网络(CNN)
LDC，公众号【轻松学编程】
08-08 6165
卷积神经网络(CNN) 一、简介 ​ 卷积神经网络（Convolutional Neural Network,CNN）是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。 它包括卷积层(convolutional layer)和池化层(pooling layer)。 ​ 卷积神经网络包括一维卷积神经网络、二维卷积神经网络以及三维卷积神...
（深度学习，机器学习）卷积神经网络
璇小姐的博客
03-26 583
1.卷积神经网络使深度学习卷土重来是因为卷积神经网络非常适合计算机视觉应用的模型。 2.卷积神经网络基本原理包括：卷积算子，卷积的特征，卷积神经网络的典型结构，以及其中的卷积层和池化层。 3.卷积提供了能够提升机器学习效果的的三种重要方法：系数交互或系数连接，参数共享及等价表达。 4.参数共享指的是对模型中的多个函数使用相同的参数。 5.一个典型的卷积网络由三种类型的层构成：卷积层，池化层和全连接...
机器学习实战13-卷积神经网络
知识搬运工的博客
04-05 6212
机器学习实战13-设备和服务器上的分布式 TensorFlow就先不学习了，详情可参见： 十二、设备和服务器上的分布式 TensorFlow 卷积神经网络（CNN）是从大脑视觉皮层的研究中出现的，自 20 世纪 80 年代以来它们一直用于图像识别。在过去的几年里，由于计算能力的增加，可用训练数据的数量以及第 11 章介绍的训练深度网络的技巧，CNN 致力于在某些复杂的视觉任务中做出...
人工智能、机器学习、深度学习、神经网络
热门推荐
czliuming的博客
12-21 2万+
在经历了蛮荒的PC互联网时代，混战的移动互联网时代，到现今最火的人工智能时代。大数据、云计算、机器学习的技术应用，已经使得IT从业者的门槛越来越高。套用一句樊登读书会的宣传口号“keep learning”，保持对新鲜技术的好奇心，保持对技术应用的责任心，持续关注、学习是每个IT从业者的必备技能。一、什么是人工智能？人工智能（Artificial Intelligence），英文缩写为AI。它是一个
机器学习-卷积神经网络简介(1)
weixin_38498942的博客
07-30 482
一、简介 CNN由对输入进行过滤（卷积）以获得有用信息的层组成。 这些卷积层具有可以学习的参数（内核），因此可以自动调整这些过滤器以提取针对手头任务的最有用信息，而无需选择特征。 CNN最好与图像一起使用。 普通神经网络不适用于图像分类问题。 二、普通神经网络的比较 在正常的神经网络上，我们需要将图像转换为单个1d向量，然后将数据发送到完全连接的隐藏层。 在这种情况下，每个神经元每个神经元都有参数。 　 正常情况下，[CONV-> ReLU-> Pool-> CONV-> ReLU-
机器学习 —— 卷积神经网络
Fancyyj的博客
08-19 360
一. 问题引入 Q： 我们是怎么判断见到的一个人，是认识还是不认识？ 1）我们把对象的轮廓提取出来，与我们脑子里的“人脸数据库”进行对比 2）如果有相似概率比较高的，我们就进行下一步处理；如果没有，这个人我们大概率就不去看了 3）抽取对象的局部特征，与我们脑子里某个人的局部特征进行对比 4）得出结论： （1）如果相似度接近100%，那我们断定，就是这个人 （2）如果相似度较高，根据新的特征，那我们...
机器学习之卷积神经网络（三）
anquanniu的博客
08-09 640
假设，有一张大小为32×32×3的输入图片，这是一张RGB模式的图片，你想做手写体数字识别。32×32×3的RGB图片中含有某个数字，比如7，你想识别它是从0-9这10个数字中的哪一个，我们构建一个神经网络来实现这个功能。 我用的这个网络模型和经典网络LeNet-5非常相似，灵感也来源于此。LeNet-5是多年前Yann LeCun创建的，我所采用的模型并不是LeNet-5，但是受它启发，许多参...
深度学习探秘：卷积神经网络解析
"该资源是一个关于深度学习中卷积神经网络的PPT介绍，涵盖了从经典神经网络到卷积神经网络的基本概念和结构，并提到了深度学习在人工智能领域的应用。内容包括人工神经元模型、前馈神经网络以及卷积神经网络（CNN）...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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