CNN发展相关问题

最新推荐文章于 2023-05-12 17:43:01 发布
最新推荐文章于 2023-05-12 17:43:01 发布
阅读量389 收藏
点赞数
分类专栏： 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/Woolseyyy/article/details/104455512
版权

Inception 系列的发展与区别

从Inception v1到Inception-ResNet，一文概览Inception家族的「奋斗史」 - 机器之心的文章 - 知乎
https://zhuanlan.zhihu.com/p/37505777

Inception V1:

  1. 采用了多尺寸卷积核提取特征后融合的“加宽”设计。
  2. 采用了两条辅助的中间层softmax分类器，用以改善梯度消失的问题。

Inception V2：

  1. 学习VGG用3x3的小卷积核组合代替大卷积核
  2. 使用1xn和nx1的组合来代替nxn
  3. 使用concat(conv, pool)的结构来进行分辨率降低

Inception V3:

  1. BN
  2. label smo0thing
  3. RMSprop优化器
  4. Factorized 7x7 conv

Inception V4:

  1. stem(conv和pool并行)

Inception-ResNet:

  1. 使用了Residual结构

关于 conv和pool并行 这个的提出，感觉版本有点混乱，V4里的stem不是在V2里提了吗？ 还有有的又把这个归在V3里…要疯了

Inception V1 怎么设计的

  1. 采用不同大小的卷积核后拼接，可以融合不同尺度特征
  2. 采用conv1x1降低维度，减少计算量

在这里插入图片描述
为什么使用1x1卷积核

  1. 降维
  2. 增加非线性性

CNN每个层及其作用

  1. 卷积层：使用卷积核提取特征
  2. 激活函数：激活特征；增加非线性性
  3. 池化层：降低分辨率，减少参数；提取主要特征
  4. 全连接层：连接所有特征，用以分类

Pooling层怎么反向传播

mean pooling:
将梯度平均向后传播
在这里插入图片描述
max pooling:
将梯度传播给窗口内最大的像素
在这里插入图片描述

ResNet为什么好

  1. 短路连接，有效解决训练过程中梯度消失问题
  2. 学习残差，简化学习目标和难度，不会出现网络退化的问题（学不出来就学个0的残差就好了，所以理论上增加层数不会变的更坏

你必须要知道CNN模型：ResNet - 小小将的文章 - 知乎
https://zhuanlan.zhihu.com/p/31852747

ResNet V2

在这里插入图片描述

  1. 将激活函数放置在旁路中，short-cut构建 clean information path。
  2. 旁路中的结构从 conv-bn-relu 转换为 bn-relu-conv。

精读深度学习论文(6) ResNet V2 - 清欢守护者的文章 - 知乎
https://zhuanlan.zhihu.com/p/33486357

Woolseyyy
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
卷积神经网络（CNN）超详细介绍
weixin_44021149的博客
03-22 5万+
文章转自：https://blog.csdn.net/jiaoyangwm/article/details/80011656 文章目录 1、卷积神经网络的概念2、 发展过程3、如何利用CNN实现图像识别的任务4、CNN的特征5、CNN的求解6、卷积神经网络注意事项7、CNN发展综合介绍8、LeNet-5结构分析9、AlexNet10、ZFNet10.1 意义10.2 实现方法10.3 训练细节10.4 卷积网络可视化10.6 总结 11、VGGNet11.1 结构11.2 网络特点：11.3 分
卷积神经网络（CNN）
Flaneur-yz的博客
08-16 2389
前言 CNN，即卷积神经网络，主要用于图像识别，分类。由输入层，卷积层，池化层，全连接层(Affline层），Softmax层叠加而成。卷积神经网络中还有一个非常重要的结构:过滤器，它作用于层与层之间(卷积层与池化层），决定了怎样对数据进行卷积和池化。 一、卷积神经网络的网络结构 卷积神经网络主要由这几类层构成：输入层、卷积层，ReLU层、池化（Pooling）层和全连接层（全连接层和常规神经网络...
卷积神经网络（CNN）详细介绍及其原理详解
IronmanJay的博客
01-14 14万+
本文总结了关于卷积神经网络（CNN）的一些基础的概念，并且对于其中的细节进行了详细的原理讲解，通过此文可以十分全面的了解卷积神经网络（CNN），非常适合于作为Deep Learning的入门学习。下面就是本篇博客的全部内容！
深度学习03-卷积神经网络(CNN)
liaomin416100569的专栏
05-12 3万+
CNN，即卷积神经网络（Convolutional Neural Network），是一种常用于图像和视频处理的深度学习模型。与传统神经网络相比，CNN 有着更好的处理图像和序列数据的能力，因为它能够自动学习图像中的特征，并提取出最有用的信息。CNN 的一个核心特点是卷积操作，它可以在图像上进行滑动窗口的计算，通过滤波器（又称卷积核）和池化层（Max Pooling）来提取出图像的特征。卷积操作可以有效地减少权重数量，降低计算量，同时也能够保留图像的空间结构信息。
CNN卷积神经网络（图解CNN）
WGS.
08-23 7万+
超详细的CNN卷积网络讲解，及经典网络LeNet复现
CNN基本问题
Hungryof的专栏
01-11 6755
基本理解CNN降低训练参数的2大法宝局部感受野、权值共享 局部感受野：就是输出图像某个节点（像素点）的响应所对应的最初的输入图像的区域就是感受野。 权值共享：比如步长为1，如果每移动一个像素就有一个新的权值对应，那么太夸张了，需要训练的参数爆炸似增长，比如从32x32的原图到28x28经过convolve的图，如果后者的每一个像素对应前面的一个参数，那参数实在是多。权值共享就是将每次覆盖区域的图
cnn相关介绍简介.zip
最新发布
04-06
卷积神经网络（CNN，Convolutional Neural Network）是一种深度学习模型，因其在图像识别和计算机视觉领域的出色表现而广受关注。...理解和掌握CNN的基本原理和应用，对于从事相关工作的IT专业人士至关重要。
CNN相关资料
05-02
卷积神经网络（CNN，Convolutional Neural Network）是一种在图像处理和计算机视觉领域广泛应用的深度学习...通过阅读相关的论文，我们可以深入了解CNN的工作原理，以及如何优化和改进CNN模型，以适应不同领域的挑战。
CNN_调制识别_cnn信号调制_
10-01
随着深度学习的发展，尤其是CNN的出现，这个问题得到了新的解决方案。CNN的优势在于其自动特征学习的能力，能够从原始数据中学习到高层的抽象特征，无需人工设计。在信号调制识别中，CNN可以接收复数信号的幅度和...
CNN-卷积神经网络
m0_71145378的博客
09-28 9309
我们使用卷积处理图像，如果采用经典的神经网络模型，则需要读取整幅图像作为神经网络模型的输入（即全连接的方式），当图像的尺寸越大时，其连接的参数将变得很多，从而导致计算量非常大。图像中，红色的输入层代表输入图像，所以它的宽度和高度就是图像的宽度和高度，它的深度是3（代表了RGB3种颜色通道）、接着是经过卷积运算（convolution）和池化运算（Pooling）之后的激活值（也可以看做一层神经元），再接着的下一部分的卷积池化层，最后的部分是一个深度为分类个数的输出向量。
卷积神经网络详解（CNN）
niutingbaby的博客
06-29 1341
在本文中，我将会讨论 CNN 背后的架构，其设计初衷在于解决图像识别和分类问题。同时我也会假设你对神经网络已经有了初步了解。目录1.机器如何看图？2.如何帮助神经网络识别图像？3.定义卷积神经网络卷积层池化层输出层4.小结5.使用 CNN 分类图像1. 机器如何看图？人类大脑是一非常强大的机器，每秒内能看（捕捉）多张图，并在意识不到的情况下就完成了对这些图的处理。但机器并非如此。机器处理图像的第一...
三万字硬核详解：卷积神经网络CNN（原理详解 + 项目实战 + 经验分享）
shinuone的博客
10-31 6491
深入解析卷积神经网络(CNN)的实际运用，全面整理并梳理了CNN的关键知识点。从基础概念到实战技巧，提供了详实的内容，助力读者深入理解并应用卷积神经网络于实际问题解决。
大话卷积神经网络（CNN）
qq_33287871的博客
10-04 4391
这里的神经网络，也指人工神经网络（Artificial Neural Networks，简称ANNs），是一种模仿生物神经网络行为特征的算法数学模型，由神经元、节点与节点之间的连接（突触）所构成，如下图： 每个神经网络单元抽象出来的数学模型如下，也叫感知器，它接收多个输入（x1，x2，x3…），产生一个输出，这就好比是神经末梢感受各种外部环境的变化（外部刺激），然后产生电信号，以便于转导到神经细胞（又叫神经元）。 单个的感知器就构成了一个简单的模型，但在现实世界中，实际的决策模型则要复杂得多，往往是由.
卷积神经网络CNN（Convolutional Neural Network）
敷衍zgf的博客
11-02 1万+
卷积神经网络CNN
卷积神经网络（convolutional neural network, CNN）
qq_41536160的博客
05-28 6万+
基本定义 卷积神经网络(convolutional neural network, CNN)，是一类包含卷积计算且具有深度结构的前馈神经网络。卷积神经网络是受生物学上感受野（Receptive Field）的机制而提出的。卷积神经网络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）。 1.卷积层（convolutional layer） 作用：特征提取 卷积层内部包含多个卷积核，组成卷积核的每个元素都
卷积神经网络(Convolutional Neural Network，CNN)
abc1234abcdefg的博客
05-05 4035
简单介绍卷积神经网络
详解卷积神经网络(CNN)
热门推荐
qq_25762497的博客
04-04 25万+
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。
One PUNCH Man——深度学习入门
No_Game_No_Life_的博客
05-06 1640
文章目录人类视觉原理从神经网络到卷积神经网络（CNN）数据输入层卷积计算层卷积的计算参数共享机制激励层池化层全连接层CNN优缺点卷积神经网络的常用框架 人类视觉原理 深度学习的许多研究成果，离不开对大脑认知原理的研究，尤其是视觉原理的研究。 1981 年的诺贝尔医学奖，颁发给了 David Hubel（出生于加拿大的美国神经生物学家） 和TorstenWiesel，以及 Roger Sperry。...

“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