浅谈卷积神经网络

最新推荐文章于 2022-03-28 18:10:17 发布
最新推荐文章于 2022-03-28 18:10:17 发布
阅读量328 收藏
点赞数 5
文章标签： 卷积神经网络 深度学习 计算机视觉
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/JogeFanjiaye/article/details/110880329
版权

卷积神经网络 卷积层 权值共享 池化层 反向传播
关键词由CSDN通过智能技术生成

浅谈卷积神经网络

卷积神经网络简介

卷积神经网络CNN是一类包含卷积计算且具有深度结构的前馈神经网络。

CNN的发展史

CNN到2014年的发展史

卷积层

卷积：在原始的输入上进行特征提取，并且是在原始输入上一小区域一小区域进行特征提取。

在这里插入图片描述
上图中，左方块是输入层，尺寸为32*32的3通道图像。右边的小方块是filter，尺寸为5x5，深度为3。将输入层划分为多个区域，用filter这个固定尺寸的助手，在输入层做运算，最终得到一个深度为1的特征图。

在这里插入图片描述
上图使用了6个filter分别卷积进行特征提取，最终得到6个特征图。将这6层叠在一起就得到了卷积层输出的结果。

矩阵经卷积操作后的尺寸

在卷积操作过程中，矩阵经卷积操作后的尺寸由以下几个因数决定：
·输入图片大小 W * W
·filter大小 F * F
·步长(stride) S
·padding的像素数 P(P等于n表示在图像外围加了n圈0)

经卷积后的矩阵尺寸大小计算公式为：
N = (W - F + 2P) / S + 1

权值共享

在卷积神经网络中，有一个非常重要的特性： 权值共享

所谓的权值共享就是说，给一张输入图片，用一个filter去扫这张图，filter里面的数就叫权重，这张图每个位置是被同样的filter扫的，所以权重是一样的，也就是共享。

池化层

池化层不改变特征图的深度，只改变特征图的大小

池化就是对特征图进行特征压缩，池化也叫做下采样

下图展示最大池化下采样：
在这里插入图片描述
卷积神经网络的一个过程实例
在这里插入图片描述

反向传播

上面都是讲的前向传播

那么反向传播其实就是更新节点权值的一个过程

Joge夜神
关注
  • 5
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
(3)浅谈卷积神经网络中的池化层3
程序员光剑
08-21 472
作者：禅与计算机程序设计艺术 1.简介 1.1 什么是池化层 池化(pooling layer)是一种缩放操作，它通过对输入数据进行降采样操作实现对特征图的下采样，缩小其尺寸并丢弃部分信息。池化层通常用来代替传统的下采样方法，在卷积神经网络中起到结构上的逐
卷积神经网络理论基础,卷积神经网络基础知识
kfc67269的博客
08-31 527
下面我尽可能地用简单的语言来阐述下我的看法（叙述中假设你已经大致知道什么是深度学习和神经网络：大数据和高性能计算在如今的互联网时代，都让神经网络有了前所未有的“更深”的可能，一批新方法被发明出来（DenoiseAutoencoder、图像识别中，他提出了利用RBM预训练的方法。几年后人们发现？3，抛砖引玉。在这个框架下？...
《卷积神经网络》
05-26
第一章回顾了理解卷积神经网络的动机；  第二章阐述了几种多层神经网络 ，并介绍当前计算机视觉领域应用中最成功的卷积结 构；  第三章具体介绍了标准卷积神经网络中的各构成组件 ，并从生物学和理论两个角度分 析不同组件的设计方案 ；  第四章讨论了当前卷积神经网络设计的趋势及可视化理解卷积神经网络的相关研究工 作 ，还重点阐述了当前结构仍存在的一些关键问题
一文让你彻底了解卷积神经网络
热门推荐
比比的博客
08-03 20万+
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)。 对比：卷积神经网络、全连接神经网络 左图：全连接神经网络（平面），组成：输入层、激活函数、全连接层 右图：卷积神经...
浅析卷积神经网络
weixin_44530058的博客
07-21 1074
一、简要介绍 谈到深度学习，不得不说的就是卷积神经网络了，近年来，无论是在图像识别、语音识别领域，还是在目标检测、语义分割领域，卷积神经网络都大放异彩，向我们展现出它独特的魅力。卷积神经网络 (Convolutional Neural Networks，CNN)是一类包含卷积运算且具有深度结构的前馈神经网络，它是为识别二维形状而特殊设计的一个多层感知器，这种网络结构对平移、比例缩放、倾斜或者共他形式的变形具有高度不变性。卷积神经网络它最重要的特性在于"局部连接"(或局部感知)与"权值共享"。 局部连接
浅谈卷积神经网络CNN
craftsman111的博客
01-21 277
前言： 鉴于这是本人的第一篇深度学习博客（之前写过几篇C++和RCNN的，不过比较水，自认干货不多），就想唠叨几句，看客老爷如果不喜欢，可直接跳过看正文哈。写这篇的时候，本人马上要硕士毕业了，学了将近2年半的深度学习（图像描述和生成方向），想着在毕业之前，对所学的相关知识做个总结，也为后续的工作做个预热（在菊厂做人工智能工程师），所以就想做个系列，既是为自己，也想给大家分享一下我在这方面的一些看...
卷积神经网络概述
且听风吟的博客
08-08 3万+
目录 人类视觉原理 1整体描述 2基本理论 2.1卷积（convolution） 2.2步长（stride） 2.3填充（padding） Valid卷积 Same卷积 Full卷积 2.4三维卷积 2.5 1x1卷积 2.6偏置（bias） 2.7池化（pooling） 2.8全局池化 (Global Pooling) 2.9激活函数（activation func...
浅谈卷积神经网络.pdf
09-26
卷积神经网络（Convolutional Neural Networks，简称CNN）是一种深度学习模型，灵感来源于人类视觉系统，特别适合处理和理解图像数据。CNN的核心特点是利用卷积层进行特征提取，通过多层的处理逐渐抽象和深化图像...
TensorFlow 2.0 深度学习实战 —— 浅谈卷积神经网络 CNN
风尘浪子
03-28 3429
卷积神经网络 CNN（Convolutional Neural Networks，ConvNet）是一种特殊的深度学习神经网络，近年来在物体识别、图像重绘、视频分析等多个层面得到了广泛的应用。本文将介绍 CNN 卷积神经网络的基本原理和基础概念，卷积层与池化层的作用，并以常用的 VGG16 为例子，介绍常用模型的使用方式。把中间激活层输出图，滤波器，热力图等进行可视化分析，让大家进一步了解 CNN 的结构特征。
卷积神经网络
06-06
卷积神经网络详解
2020-7-27 吴恩达DL学习-C4 卷积神经网络-第一周 CNN(1.2 边缘检测示例-卷积计算如何发现边缘(过滤器/核))
weixin_42555985的博客
10-03 606
1.视频网站：mooc慕课https://mooc.study.163.com/university/deeplearning_ai#/c 2.详细笔记网站(中文)：http://www.ai-start.com/dl2017/ 3.github课件+作业+答案：https://github.com/stormstone/deeplearning.ai 1.2 边缘检测示例 Edge detection example 卷积运算是卷积神经网络最基本的组成部分，使用边缘检测作为入门样例。本节课中，你会看到卷积
李宏毅深度学习笔记（四）——卷积神经网络（CNN）
qq_51026159的博客
07-29 645
在图像处理中，神经网络的输入就是图像上的一个个像素，输入向量的维度就等于图像的像素数量，因此如果使用一般的神经网络（FullyConnectedFeedforwardNetwork），会导致参数过多并且使得训练效率低下。于是，我们想到可以利用图像处理的一些特性得到一种更简单的神经网络，这就是卷积神经网络（CNN）。 1.图像处理的性质 （1）决定一个图片的“模式”（比如图片里是否有某个物体）可以通过图像里面的一小部分决定。比如通过查看图片中是否包含鸟嘴来判断图片中是否有鸟。 （2）相同的特征可以...
深度学习：卷积神经网络详解
"卷积神经网络学习介绍" 卷积神经网络（Convolutional Neural Networks，简称CNN）是一种深度学习模型，特别适用于图像处理和计算机视觉任务。由复旦大学的邱锡鹏教授进行讲解，该资源深入浅出地介绍了CNN的基础...
评论 2
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