莫烦pytorch 什么是卷积神经网络CNN（Convlutinoal Neural Network）

最新推荐文章于 2022-11-25 11:14:06 发布
最新推荐文章于 2022-11-25 11:14:06 发布
阅读量749 收藏 5
点赞数
分类专栏： pytorch 文章标签： pytorch 人工智能 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/Kstheme/article/details/99689564
版权

卷积神经网络是一种人工神经网络结构，因为利用卷积神经网络在图像和语音识别方面能够给出更优预测结果，这一技术也被广泛的传播可应用。卷积神经网络最常被应用的方面是计算机的图像识别，不过因为不断地创新，它也被应用在视频分析，自然语言处理，药物发现，等等。

卷积 和 神经网络

什么是卷积神经网络？我们可以把这个词拆开成为“卷积”和“神经网络”。卷积也就是说神经网络不再是对每个像素的输入信息做处理了，而是图片上每一小块像素区域进行处理，这种做法加强了图片信息的连续性。使得神经网络能看到图形，而非一个点。这种做法同时也加深了神经网络对图像的理解。每次收集的时候都只是收集一小块像素区域，然后把收集来的信息进行整理，这时候整理出来的信息有了一些实际上的呈现。然后以同样的步骤，用类似的批量过滤器扫过产生的这些边缘信息，神经网络从这些边缘信息里面总结出更高层的信息结构。经过几次过滤，最后我们把这些信息套入几层普通的全连接神经层进行分类，这样就能得到输入的图片能被分为哪一类的结果了。
在这里插入图片描述
图片是如何被卷积的？

下面是一张猫的图片，图片有长、宽、高三个参数。这里的高指的是计算机用于产生颜色使用的信息。如果是黑白照片的话，高的单位只有1，如果是彩色照片，就有可能有rgb三种颜色的信息，这是的高度为3.我们以彩色照片为例子. 过滤器就是影像中不断移动的东西, 他不断在图片收集小批小批的像素块, 收集完所有信息后, 输出的值, 我们可以理解成是一个高度更高,长和宽更小的”图片”. 这个图片里就能包含一些边缘信息. 然后以同样的步骤再进行多次卷积, 将图片的长宽再压缩, 高度再增加, 就有了对输入图片更深的理解. 将压缩,增高的信息嵌套在普通的分类神经层上,我们就能对这种图片进行分类了.
在这里插入图片描述
池化（pooling）

研究发现，在每一次卷积的时候，神经层可能会无意识地丢失一些信息。这是，池化（pooling）就可以很好地解决这一问题。而且池化是一个筛选过滤的过程，能将layer中有用的信息筛选出来，给下一个层分析。同时也减轻了神经网络的计算负担。也就是说在卷积的时候，我们不压缩长宽，尽量地保留更多信息，压缩的工作就交给池化，这样的一项附加工作能够很有效的提高准确性。
在这里插入图片描述

流行的CNN结构
在这里插入图片描述
比较流行的一种搭建结构就是这样，从下到上的顺序，首先是输入的图片（image），经过一层卷积层（convolution），然后在用池化（pooling）方式处理卷积的信息，这里使用的是max pooling的方式。然后在经过一次同样的处理，把得到的第二次处理的信息传入两层全连接的神经层（fully connected），这也是一般的两层神经网络层，最后再接上一个分类器（classifier）进行分类预测。这仅仅是对卷积神经网络在图片处理上一次简单的介绍.

Kstheme
关注
  • 0
    点赞
  • 踩
  • 5
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
莫烦python--搭建CNN
weixin_41405284的博客
10-11 1019
和其他教程一样，莫烦大神也用MNIST作为CNN的入门 一. 调用库 import torch import torch.nn as nn import torch.utils.data as Data import torchvision # 数据库模块 import matplotlib.pyplot as plt from torch.autograd import Variable # torch 中 Variable 模块 对一些库进行描述 torch.utils.data 用.
利用pytorch搭建卷积神经网络（CNN）训练简单手写数字数据集（MNIST）
10-25
卷积神经网络（CNN，Convolutional Neural Network）是一种在图像处理领域广泛应用的深度学习模型。在本项目中，我们将使用PyTorch框架构建一个简单的CNN来识别MNIST数据集中的手写数字。MNIST是机器学习领域的一个...
PyTorch可视化理解卷积神经网络
weixin_33989780的博客
01-20 996
如今，机器已经能够在理解、识别图像中的特征和对象等领域实现99％级别的准确率。生活中，我们每天都会运用到这一点，比如，智能手机拍照的时候能够识别脸部、在类似于谷歌搜图中搜索特定照片、从条形码扫描文本或扫描书籍等。造就机器能够获得在这些视觉方面取得优异性能可能是源于一种特定类型的神经网络——卷积神经网络（CNN）。如果你是一个深度学习爱好者...
莫烦pytorch学习笔记（十二）——什么是卷积神经网络CNN（Convolutional Neural Network）
liuhongkai111的博客
08-02 1076
高级神经网络——什么是什么是卷积神经网络CNN（Convolutional Neural Network） 卷积神经网络是近些年逐步兴起的一种人工神经网络结构, 因为利用卷积神经网络在图像和语音识别方面能够给出更优预测结果, 这一种技术也被广泛的传播可应用. 卷积神经网络最常被应用的方面是计算机的图像识别, 不过因为不断地创新, 它也被应用在视频分析, 自然语言处理, 药物发现, 等等. 近期最...
莫烦pytorch CNN卷积神经网络
Kstheme的博客
08-19 1263
不了解卷积神经网络的，看这篇： 一文教你读懂pytorch+CNN 莫烦pytorch 什么是卷积神经网络CNN（Convlutinoal Neural Network） 我们了解了卷积神经网络之后，开始用python实现该网络，并可视化训练数据。 MNIST手写数据 该数据是一个官方数据，数据中的图片都是手写的数字，这些数据就是我们训练cnn的数据。 import torch import to...
莫烦pytorch（10）——CNN
qq_42738654的博客
02-27 304
import torchvision用来生成图片,视频数据集,和一些流行的模型类和预训练模型。 1.生成数据集 import torch import torch.nn as nn import torch.utils.data as Data import torchvision # 数据库模块 import matplotlib.pyplot as plt torch.manual...
一个简单的卷积神经网络（Convolutional Neural Network, CNN）示例
最新发布
06-20
编写一个简单的卷积神经网络（Convolutional Neural Network, CNN）示例，使用Python和PyTorch库来实现。在这个示例中，我们将创建一个包含卷积层、池化层、全连接层和输出层的基本CNN模型，用于对MNIST手写数字数据...
pytorch_pytorch_卷积神经网络_
09-29
卷积神经网络（Convolutional Neural Networks，简称CNN）是一种深度学习模型，广泛应用于图像识别、计算机视觉等领域。PyTorch是Facebook开发的一个强大的深度学习框架，它提供了灵活且易于理解的API，使得构建和...
mnist.rar_DHZ_MNIST_neural network_卷积神经网络
09-15
标题中的“mnist.rar_DHZ_MNIST_neural network_卷积神经网络”指的是一个关于DHZ（可能是个人或团队的缩写）利用MNIST数据集进行卷积神经网络（CNN）实践的项目。MNIST数据集是机器学习领域一个经典的图像识别数据...
DL基于Pytorch Day5 卷积神经网络基础
01-20
在深度学习领域，卷积神经网络（Convolutional Neural Network, CNN）是处理图像数据的主要工具，尤其是在计算机视觉任务中。PyTorch 是一个广泛使用的深度学习框架，它提供了丰富的功能来构建和训练CNN模型。在...
卷积神经网络基础 pytorch
02-17
卷积神经网络基础 本节我们介绍卷积神经网络的基础概念，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含义。
莫烦 tensorflow 笔记 （二） CNN
My Honor！ My World！
08-19 3618
结构：1、convolutional layer1 + max pooling; 2、convolutional layer2 + max pooling; 3、fully connected layer1 + dropout; 4、fully connected layer2 to prediction.代码：#!/usr/bin/env python3 # -*- coding: utf-
PyTorch深度学习中卷积神经网络（CNN）的讲解及图像处理实战（超详细 附源码）
showswoller的博客
11-25 4227
PyTorch深度学习中卷积神经网络（CNN）的讲解及图像处理实战（超详细 附源码）
深度学习进阶课程17---Convolution Nerual Network （CNN）算法
duohuanxi的博客
11-29 185
目前总体来说比较流行，表现非常好的算法： Convolution Nerual Network（CNN） 举个例子：在手写数字识别集 MNIST上面，使用CNN，用gpu计算，deep network ,dropout,ensembles 结果达到接近人肉眼识别水平：9967/10000 识别正确 以下是误识别的图片： 右上角是正确数字，右下角是计算机识别到的数字，仔细观察可以看到，计算机识别的准确率还是很好的，上面很多数字都很迷惑，肉眼都很有可能识别错误 对于之前的神经网络，相邻两层所有的神经元都两两相
Convolution-CNN卷积
椰子奶糖的博客
06-08 729
Convlution-CNN卷积 文章目录Convlution-CNN卷积CNN总览Conv层的作用Conv就是FC去掉部分链接！Flatten 参考 CNN总览 可以看到，对于一张图片，CNN首先要做的事Conv（卷积）+Max Pooling（池化），用以提取特征，然后经过Flatten之后扔到FC（全链接）里面做分类。 Conv层的作用 首先解释下几个属性： kernel=卷积核 Filter = 卷积核的厚度（维度，也就是说对于一个kernel，他有很多Filter（且当i
卷积神经网络学习 莫凡视频教程为例
一只小菜鸟的博客
03-04 412
卷积神经网络 压缩长和宽 不断增加深度 valid padding same padding pooling池化 W=tf.Variable(np.arange(6).reshape((2,3)),dtype=tf.float32,name=‘weights’) 这命令提前必须import numpy as np 。。。。后续补充 ...
创建我们第一个神经网络
Melo
08-27 610
例子3 添加层 def add_layer() 定义 add_layer() 在 Tensorflow 里定义一个添加层的函数可以很容易的添加神经层,为之后的添加省下不少时间. 神经层里常见的参数通常有weights、biases和激励函数。 首先，我们需要导入tensorflow模块。 import tensorflow as tf 然后定义添加神经层的函数def add_layer...
莫烦首页
CaptureItTechnology的博客
08-03 2428
https://morvanzhou.github.io/tutorials/machine-learning/tensorflow/5-16-transfer-learning/
PyTorch 卷积神经网络简介
我是小白呀的博客
03-03 7800
卷积神经网络简介概述架构卷积是什么图像颜色通道特征图个数堆叠的卷积层 概述 卷积神经网络在 CV 领域, 检测任务领域, 分类与检索领域, 图片重构领域, 医学任务领域, 无人驾驶领域, 人脸识别领域等等都有广泛的应用. 卷积神经网络与传统网络的区别: 架构 整体架构: 输入层 卷积层 池化层 全连接层 卷积是什么 卷积就是一种特殊的加权求和. 卷积是一种混合信息的手段, 通过对输入图片大小相同区块和卷积核进行点乘然对不同通道后求和. 图像颜色通道 当我们在图像上应用卷积时, 我们分别在 W,
基于pytorch的卷积神经网络cnn实例应用及详解
04-28
卷积神经网络（Convolutional Neural Networks，CNN）是一种深度学习神经网络，广泛应用于图像识别、语音识别、自然语言处理等领域。在本文中，我们将使用PyTorch实现一个简单的CNN，并对其进行详细的解释和应用实例。 ## CNN的基本结构 CNN由多个卷积层、池化层和全连接层组成。其中，卷积层和池化层是CNN最重要的部分。 ### 卷积层 卷积层是CNN中最基本的层，它通过将输入数据与一组卷积核进行卷积操作，提取出数据特征。卷积层的输入为一个三维张量，维度分别为（通道数，高度，宽度），卷积核也是一个三维张量，维度分别为（输入通道数，卷积核高度，卷积核宽度），卷积层的输出为一个三维张量，维度同输入。 在PyTorch中，我们可以通过使用`nn.Conv2d`类来创建卷积层，例如： ``` import torch.nn as nn # 创建一个输入通道数为3，输出通道数为16，卷积核大小为3x3的卷积层 conv_layer = nn.Conv2d(in_channels=3, out_channels=16, kernel_size=3) ``` ### 池化层 池化层是CNN中用于降低特征图尺寸的一种方式。它通过对特征图进行下采样，减少特征图尺寸，同时保留重要的特征信息。常用的池化方式有最大池化和平均池化。 在PyTorch中，我们可以通过使用`nn.MaxPool2d`和`nn.AvgPool2d`类来创建最大池化层和平均池化层，例如： ``` # 创建一个2x2的最大池化层 max_pool_layer = nn.MaxPool2d(kernel_size=2) # 创建一个2x2的平均池化层 avg_pool_layer = nn.AvgPool2d(kernel_size=2) ``` ### 全连接层 全连接层是CNN中最后一层，它将卷积层和池化层提取出的特征图转换为一个一维向量，并连接到一个或多个全连接层进行分类或回归。在PyTorch中，我们可以使用`nn.Linear`类来创建全连接层，例如： ``` # 创建一个输入维度为256，输出维度为10的全连接层 fc_layer = nn.Linear(in_features=256, out_features=10) ``` ## CNN的应用实例 接下来，我们将使用PyTorch实现一个简单的CNN，并对其进行应用实例，以MNIST数据集为例，进行手写数字识别。 首先，我们需要导入必要的库： ``` import torch import torch.nn as nn import torch.optim as optim import torchvision import torchvision.transforms as transforms ``` 然后，我们需要定义CNN的结构。在本例中，我们定义一个包含两个卷积层和两个最大池化层的CNN，以及一个全连接层进行分类。其中，每个卷积层的卷积核大小为3x3，池化层的池化大小为2x2。 ``` class Net(nn.Module): def __init__(self): super(Net, self).__init__() self.conv1 = nn.Conv2d(in_channels=1, out_channels=16, kernel_size=3) self.pool1 = nn.MaxPool2d(kernel_size=2) self.conv2 = nn.Conv2d(in_channels=16, out_channels=32, kernel_size=3) self.pool2 = nn.MaxPool2d(kernel_size=2) self.fc1 = nn.Linear(in_features=32 * 5 * 5, out_features=120) self.fc2 = nn.Linear(in_features=120, out_features=10) def forward(self, x): x = self.pool1(torch.relu(self.conv1(x))) x = self.pool2(torch.relu(self.conv2(x))) x = x.view(-1, 32 * 5 * 5) x = torch.relu(self.fc1(x)) x = self.fc2(x) return x ``` 接下来，我们需要对训练数据进行预处理。在本例中，我们对数据进行了归一化，并将其转换为张量。 ``` transform = transforms.Compose( [transforms.ToTensor(), transforms.Normalize((0.5,), (0.5,))]) trainset = torchvision.datasets.MNIST(root='./data', train=True, download=True, transform=transform) trainloader = torch.utils.data.DataLoader(trainset, batch_size=64, shuffle=True, num_workers=2) testset = torchvision.datasets.MNIST(root='./data', train=False, download=True, transform=transform) testloader = torch.utils.data.DataLoader(testset, batch_size=64, shuffle=False, num_workers=2) ``` 然后，我们定义损失函数和优化器。 ``` criterion = nn.CrossEntropyLoss() optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9) ``` 最后，我们进行训练和测试。 ``` for epoch in range(10): running_loss = 0.0 for i, data in enumerate(trainloader, 0): inputs, labels = data optimizer.zero_grad() outputs = net(inputs) loss = criterion(outputs, labels) loss.backward() optimizer.step() running_loss += loss.item() if i % 100 == 99: print('[%d, %5d] loss: %.3f' % (epoch + 1, i + 1, running_loss / 100)) running_loss = 0.0 correct = 0 total = 0 with torch.no_grad(): for data in testloader: images, labels = data outputs = net(images) _, predicted = torch.max(outputs.data, 1) total += labels.size(0) correct += (predicted == labels).sum().item() print('Accuracy of the network on the 10000 test images: %d %%' % ( 100 * correct / total)) ``` 经过10次迭代的训练，最终得到的测试集准确率约为98%。 ## 总结 本文介绍了CNN的基本结构和应用实例，并使用PyTorch实现了一个简单的CNN进行手写数字识别。CNN是深度学习中非常重要的一种神经网络，广泛应用于图像识别、语音识别、自然语言处理等领域，希望本文对您有所帮助。
评论 1
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