卷积神经网络学习笔记

最新推荐文章于 2023-02-26 19:35:24 发布
最新推荐文章于 2023-02-26 19:35:24 发布
阅读量182 收藏 1
点赞数
分类专栏： 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/T82648264/article/details/110147903
版权

卷积神经网络

特征提取

卷积网络与传统网络的区别：

传统的神经网络
在这里插入图片描述
卷积神经网络
可输入图片 三维 h x s x c
在这里插入图片描述
整体架构
卷积层进行特征提取，池化层进行特征压缩或者降维
在这里插入图片描述

在这里插入图片描述

实际在计算中，要每个颜色通道分别去做计算，然后把每个通道的结果汇总到一起
在这里插入图片描述
在这里插入图片描述

f 为卷积核
在这里插入图片描述
f
在这里插入图片描述
在这里插入图片描述
两个卷积核，卷积核大小为3
在这里插入图片描述
然后，同样的方法

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
卷积需要做好多次

在这里插入图片描述
在这里插入图片描述
步长比较小的时候，是慢慢的提取特征，信息比较丰富，但计算效率低
一般选择 1
在这里插入图片描述
在这里插入图片描述
边缘填充

就是说边缘的部分 被重复计算的次数少，越靠近中间的部分被重复计算的次数越多，
在这里插入图片描述
那怎么填充的呢，有点像高等代数中，行列式的填充解法

本来图片是5x5，现在边界处为1 1 1 2 1 … ，这些部分同样重要，因此，可以在边缘加一圈0，让原本的边界被多次利用，充分提取特征

这里只能添加0边圈，如果添加其他值，会对原本的信息产生影响
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
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
在这里插入图片描述
有选择性的压缩，比如选择最大值

看动图

在这里插入图片描述
在这里插入图片描述
或者平均池化，但用的少

在这里插入图片描述
卷积和池化只是做特征提取和降维

至于如何从一个立体数据转为分类的概率值

是后面的扁平化+全连接层

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
在这里插入图片描述
残差网络

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

以后做，可以首选残差网络，它的层数可以越来越多，虽然越到后面，提升的效果不大，但至少不会降低

也就是，好的层数工作，不好的层数置为0（即上面的同等映射，多了条路可走），学完之后，至少不会比原来差
在这里插入图片描述
在这里插入图片描述
得到的值能感受到前面是由多少个计算得到的，一般希望感受野越大越好
在这里插入图片描述
在这里插入图片描述

可又不甘懦弱
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
CNN卷积神经网络学习笔记
weixin_42367212的博客
06-04 618
CNN(Convolution Neural Network)CNN结构大同小异，主要由三个部分构成：1.卷积层（Convlolutional layer）2.池化层（Pooling layer）3.全连接层（Full connected layer）卷积层：卷积层由多个卷积核构成，卷积核为带有表示权重大小的矩阵。池化层：全连接层：CNN训练过程：如何调整Filter的权重：通过反向传播反向传播过...
卷积神经网络(CNN）学习笔记
GYBinLero的博客
02-06 2406
卷积神经网络（CNN）卷积神经网络（Convolutional Neural Network ）是一种深度前馈神经网络，广泛应用于图像识别和自然语言处理等方向，本文基于初学者的视角简单描述卷积神经网络的概念和原理，包含个人主观理解,如有错误恳请指正。为何选用CNN来处理图像传统的全连接（fully connected）网络结构在处理图像时，由于图片的二维结构，导致神经元数量大大增加，即使是100X1
卷积神经网络学习笔记(Foundations of Convolutional Neural Networks)
arsoooo的博客
01-03 386
卷积神经网络个人学习笔记 Foundations of Convolutional Neural Networks作者：arsoooo1.1 写在开头1.2 卷积（Convolutional）1.3 Padding1.4 池化层（Pooling layers）1.5 为什么使用卷积？（Why convolutions?）1.6 经典网络（Classic networks）1.6 2.3 残差网络(...
卷积神经网络（CNN）学习笔记
weixin_45821795的博客
02-06 530
为什么需要卷积神经网络？ 全连接神经网络主要存在参数过多不便处理高维数据这两大问题，卷积神经网络是通过参数共享（卷积核共享），池化降维来解决上述两个问题。 这个公式很重要，特征图经过卷积之后会是什么维度的数据，全靠它。 最大池化对于纹理特征敏感，均值池化对背景特征敏感。 卷积函数代码跟踪视频理解： 针对不同的输入图片使用不同的卷积核进行卷积并演示其进行卷积后的输出是什么形状，从而把卷积输出公式...
卷积神经网络-学习笔记
J. Cole
11-06 243
1.边缘检测 Vertical Edge Detection: Convolve the image with Matrix 10−110−110−1\begin{matrix} 1 & 0 & -1 \\ 1 & 0 & -1 \\ 1 & 0 & -1 \end
卷积神经网络学习笔记.pdf
10-23
在学习卷积神经网络时做的笔记，希望可以给大家提供帮助。相互指正！
卷积神经网络知识学习笔记
02-24
本文来自简书，本文主要讲解了卷积神经网络知识，包括卷积层和池化层的介绍，希望对您的学习有所帮助。卷积神经网络（CNN）是含有卷积层（convolutionallayer）的神经网络，二维卷积层有高和宽两个空间维度，常用来...
深度学习卷积神经网络笔记
08-30
深度学习卷积神经网络笔记 深度学习卷积神经网络是神经网络的一大应用，矩阵运算神经网络的传播都是形如 Y=WX+b 的矩阵运算。为了给矩阵运算加入非线性，需要在隐藏层中加入激活层；输出层结果需要经过 Softmax 层...
卷积神经网络（学习笔记）
m0_57892392的博客
09-04 1798
1.卷积神经网络的概念 卷积神经网络（Convolutional Neural Networks, CNN）是一类包含卷积计算且具有深度结构的前馈神经网络（Feedforward Neural Networks），是深度学习（deep learning）的代表算法之一 [1-2] 。卷积神经网络具有表征学习（representation learning）能力，能够按其阶层结构对输入信息进行平移不变分类（shift-invariant classification），因此也被称为“平移不变人工神经网络.
卷积神经网络入门（学习笔记）
m0_51496080的博客
03-21 1174
文章目录一、神经网络是什么？二、神经网络分类三、卷积神经网络（Convolutional Neural Networks, CNN）CNN结构1. 输入层2. 隐含层(1)卷积层（convolutional layer）感受野（Receptive Field）：卷积核（convolutional kernel）卷积层参数1.卷积核大小2.卷积步长3.填充padding激励函数（activation function）(2)池化层（pooling layer）(3)全连接层（fully-connected l
卷积神经网络基础学习笔记
weixin_42365497的博客
10-28 215
卷积神经网络基础介绍，包括卷积层计算过程、所涉及参数介绍，以及池化层和全连接层的作用
卷积神经网络(CNN)学习笔记1：基础入门
u012101561的博客
01-05 1693
      卷积神经网络(Convolutional Neural Networks, CNN)是多层感知机(MLP)的变种。由生物学家休博尔和维瑟尔在早期关于猫视觉皮层的研究发展而来。由纽约大学的Yann LeCun于1998年提出。CNN本质上是一个多层感知机，其成功的原因关键在于它所采用的局部连接和共享权值的方式，一方面减少了的权值的数量使得网络易于优化，另一方面降低了过拟合的风险。CNN是...
卷积神经网络学习笔记（花书总结.LIMU）
J_X0110的博客
07-13 603
传统卷积神经网络学习笔记
深度学习之卷积神经网络学习笔记一
最新发布
晚来天欲雪，能饮一杯无？
02-26 517
深度学习是一系列算法的统称，包括卷积神经网络（CNN），循环神经网络（RNN），自编码器（AE），深度置信网络（DBN），生成对抗模型（GAN）等。由于各算法的网络结构不同，被运用到的领域也不尽相同。卷积神经网络常被用于图像处理，如图像分类，语义分割，目标识别等领域。相比于传统的算法，深度学习能够自动构建特征，并联合这些特征完成相应任务。
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