机器学习/深度学习入门：卷积神经网络零碎知识点

最新推荐文章于 2021-02-07 23:41:39 发布
最新推荐文章于 2021-02-07 23:41:39 发布
阅读量319 收藏 1
点赞数 1
分类专栏： 机器学习/深度学习
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/M_Z_G_Y/article/details/81413852
版权

开始的CNN为什么需要固定输入图像的尺寸？

CNN中的卷积层和全链接层中，卷积层对于图像是没有尺寸限制要求的，全链接层需要固定输入向量的维数，全链接层输入向量的维数对应全链接层的神经元个数，所以如果输入向量的维数不固定，那么全链接的权值参数个数也是不固定的，这样网络就是变化的。而在卷积层，我们需要学习的是11*11的kernal filter 参数个数是固定的。

为什么有了全连接网络模型还要CNN？

全连接网络模型是指在神经网络中每两层之间的所有结点都是相连接的，但在处理图像数据时，全连接网络所需要的参数个数太多，比如处理一张单通道图片，图片大小为2828，设隐藏层的节点数为500个，则由其组成的全连接网络模型的参数有`2828*500+500=392500`，“+500”是因为考虑了偏置项b的情况，而当图片更大时，参数会急剧增多，参数过多不仅会导致网络模型计算速度变慢，同时也容易导致过拟合问题，CNN的出现就是为了在一定程度上改善这种情况。

CNN参数和连接个数

特征图边长：（输入图像长+2*padding-卷积核边长+步长)/步长

需要注意的是卷积是向下取整，池化是向上取整

参数个数：（卷积核边长*卷积核边长+偏置项即1）*卷积核个数

连接个数：参数个数*特征图大小即（卷积核边长*卷积核边长+偏置项即1）*卷积核个数*特征图边长*特征图边长

多通道卷积核计算

对于单通道图像，若利用10个

最低0.47元/天 解锁文章
M_Z_G_Y
关注
  • 1
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
为什么CNN需要固定输入图像的尺寸（CNN图像尺寸输入限制问题）
chang_rj的博客
08-07 2万+
通过CNN组成（卷积层和全连接层）进行分析。 （1）卷积层   卷积层对于图像是没有尺寸限制要求的。输入图像是28*28，卷积仅于自身的卷积核大小，维度有关，输入向量大小对其无影响（如第一层卷积，输入图像的大小和维度）。 # 输入图像 x = tf.placeholder(tf.float32, [None, 784]) y_ = tf.placeholder(tf.float32, [No...
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
在本系列先前的个人笔记中，我们将深度神经网络应用于识别猫，虽然取得了不错的效果，但是训练分类器的时间较长，本次我们将介绍卷积神经网络（CNN），这种流行的网络结构广泛应用于计算机视觉领域，并取得了很好的...
【机器学习】深度学习和卷积神经网络
sword_csdn的博客
10-22 2583
目录卷积神经网络卷积运算卷积核计算演示卷积网络中的概念卷积神经网络的核心思想卷积神经网络结构ILSVRCAlexNetVGGNet谷歌的GoogLeNet微软的残差网络ResNetSENet 卷积神经网络 卷积神经网络（Convolutional Neural Network，CNN）是一种前馈神经网络，它包括（convolution），池化层（pooling layer）和全连接层（fully connected layer）。 20世纪60年代，Hubel和Wiesel在研究猫脑皮层中用于局部敏感和方向
深度学习和机器学习的区别
weixin_42630853的博客
10-12 5250
最近在听深度学习的课，老师提了一个基本的问题：为什么会出现深度学习？或者说传统的机器学习有什么问题。老师讲解的时候一带而过，什么维度灾难啊之类的，可能觉得这个问题太浅显了吧(|| Д)````不过我发现自己确实还不太明白，于是Google了一下，发现一篇很棒的科普文，这里翻译一下，分享给大家：翻译自文章：https://www.analyticsvidhya.com/blog/2017/04/comparison-between-deep-learning-machine-learning/ 一、机器学习
卷积神经网络——输入层、卷积层、激活函数、池化层、全连接层
热门推荐
大丈夫
04-16 26万+
卷积神经网络（CNN）由输入层、卷积层、激活函数、池化层、全连接层组成，即INPUT（输入层）-CONV（卷积层）-RELU（激活函数）-POOL（池化层）-FC（全连接层）卷积层用它来进行特征提取，如下： 输入图像是32*32*3，3是它的深度（即R、G、B），卷积层是一个5*5*3的filter(感受野),这里注意：感受野的深度必须和输入图像的深度相同。通过一个filter与输入图像的卷积可以
快速理解卷积神经网络的输入输出尺寸问题
zjj
04-15 2万+
一般一个神经网络的一层包括一个卷积和一个池化，这里主要讲述对输入和输出的尺寸的理解： 一、卷积 首先input输入矩阵，weight权值矩阵（滤波器）如下图429是由weight与input对应位置相乘再相加得到。 然后是步长stride和边界padding 像我们在上面看到的一样，过滤器或者说权值矩阵，在整个图像范围内一次移动一个像素。我们可以把它定义成一个超参数，从而来表示我们想让...
深度学习d5：卷积神经网络基础；leNet；卷积神经网络进阶
01-07
卷积神经网络基础 卷积神经网络：包括卷积层、池化层 二维卷积层： 最常用，用于处理图像数据，将输入和卷积核做互相关运算，并加上一个标量偏置来得到输出。 其模型参数=卷积核+标量偏置。 训练模型的时候，通常...
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...
机器学习 深度学习 卷积神经网络 去除图片水印
最新发布
03-09
机器学习 深度学习 卷积神经网络 去除图片水印
深度学习利器：TensorFlow与深度卷积神经网络
02-25
但在过去的几年中，图像识别技术取得了巨大的进展，在一些固定领域可以达到，甚至超越人类的识别精度，该技术称为深度卷积神经网络（DeepConvolutionalNeuralNetwork）。目前，学术界主要通过ImageNet的Benchmark...
机器学习原来这么有趣 Part3: 深度学习与卷积神经网络
飞鱼の博客
06-22 894
最近看了Adam Geitgey的机器学习系列文章。寻思着闲着也是闲着，干脆翻译以下，顺便学习下英语啥的哈哈哈。第一次做这种事，有不到位的地方欢迎指教噢。 前言  你是否已经厌倦了在查阅了无数有关深度学习的文章之后仍然不能参透其中深意的无力感。如果有的话，现在，是时候改变现状了！  现在，我们将学习如何应用深度学习知识编写一个程序去识别图像中的物体。换句话说，我们将试着去清楚地解释谷歌相册...
CNN学习--卷积池化后的size计算
律己且好学，才能保证不坠入愤世嫉俗之列。
04-16 5227
假设输入图片大小是100×100，经过一层卷积（kernel size 5×5，padding 2，stride 1），pooling（kernel size 3×3，padding 0，stride 2），那么怎么计算输出的图片大小呢？ 其实，不管是卷积还是池化，计算公式都是一样的，如下： N = (W − F + 2P ) / S + 1 其中，输入数据维度为W*W Filter大小为 F×...
机器学习、深度学习、神经网络、目标检测、卷积神经网络等相关名词解释、理解和含义
qq_36071362的博客
02-07 1819
几大名词范围： 机器学习：
机器学习——深度学习之卷积神经网络（CNN）——AlexNet卷积神经网络结构
python_AI_fans的博客
06-16 1149
目录 一、AlexNet卷积神经网络结构模型 1、数据库ImageNet 2、AlexNet第一层卷积层 二、AlexNet卷积神经网络的改进 1、非线性变化函数的改变——ReLU 2、最大池化（Max Pooling）概念的提出——卷积神经网络通用 1）池化层 2）最大池化 问题1：在AlexNet中，后向传播时，池化后特征图像的梯度怎么传给池化前的图像？——赢者通吃法 3）池化过程的功能和效果 3、随机丢弃（Drop Out） 问题2：为什么参数要乘以（1-p）？ 4、增加训练
深度学习：Keras入门(二)之卷积神经网络(CNN)
weixin_30616969的博客
08-09 3469
说明：这篇文章需要有一些相关的基础知识，否则看起来可能比较吃力。 1.卷积与神经元 1.1 什么是卷积？ 简单来说，卷积(或内积)就是一种先把对应位置相乘然后再把结果相加的运算。(具体含义或者数学公式可以查阅相关资料) 如下图就表示卷积的运算过程： ...
深度学习卷积神经网络大事件一览
陈俊岭的程序员之路（公众号求关注，方便交流）
04-11 5万+
　　深度学习（DeepLearning）尤其是卷积神经网络（CNN）作为近几年来模式识别中的研究重点，受到人们越来越多的关注，相关的参考文献也是层出不穷，连续几年都占据了CVPR的半壁江山，但是万变不离其宗，那些在深度学习发展过程中起到至关重要的推动作用的经典文献依然值得回味，这里依据时间线索，对CNN发展过程中出现的一些经典文献稍作总结，方便大家在研究CNN时追本溯源，在汲取最新成果的同时不忘经...
通俗理解卷积神经网络----深度学习小白入门随笔
wait1ess的博客
04-16 1180
原文地址：https://blog.csdn.net/kanghe2000/article/details/70940491（原文有小瑕疵，池化过程是没有参数加权，加偏置的以及激活函数的概念的，本文有作修改） 前言 卷积神经网络（convolutional neural network，CNN），一种专门用于处理具有类似网络结构数据的神经网络，部分层使用卷积运算替代一般矩阵乘法运算的神经网络。 下...
BAT机器学习面试1000题系列（第150~279题）
leadai的博客
01-08 5万+
长文~可先收藏再看哟~150、在感知机中（Perceptron）的任务顺序是什么？深度学习 DL基础 易1 随机初始化感知机的权重2 去到数据集的下一批（batch）3 如果预测值和输出不一致，则调整权重4 对一个输入样本，计算输出值　　A. 1, 2, 3, 4　　B. 4, 3, 2, 1　　C. 3, 1, 2, 4　　D. 1, 4, 3, 2　　答案：（D）151、假设你需要调整参数来最
神经网络优化(五) - 卷积网络基础
weixin_34183910的博客
12-23 660
本节目标：学会使用  CNN  实现对手写数字的识别 上几节重点讲述的 NN ：每个神经元与前后相邻层的每一个神经元都有连接关系，输入是特征，输出为预测的结果 参数个数：∑ （前层× 后层+ 后层） 从上面可以看出，一张分辨率仅为28*28像素的黑白图像，在神经网络运算时就有近40万个参数待优化；而现实生活中高分辨率的彩色图像，不但像素点增多，而且有红绿蓝三通道信息，这样直接喂入（全连接...
机器学习卷积神经网络（CNN）讲解PPT
03-02
"卷积神经网络(CNN)是机器学习领域中的一个重要模型，尤其在图像处理和计算机视觉任务中表现出色。这份PPT详细讲解了CNN的基础知识，包括激活函数、反向传播算法以及CNN的核心概念，如卷积、池化和全连接层。通过...

“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