035-tensorflow-学习笔记（1）

最新推荐文章于 2022-10-20 23:53:42 发布
最新推荐文章于 2022-10-20 23:53:42 发布
阅读量200 收藏
点赞数
分类专栏： 005-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/Y_principal/article/details/100550627
版权

 

【1】输入图像是几层，卷积核就是几层。 

        32*32*3  卷积核3*3*3  则输入是经过加权的 28*28*1  

        如果六个卷积个，则输出是 28*28*6

（1.1） 卷积核个数核输出图像特征图层数的关系图

【2】 全连接层，是一维化    

【3】VGG

一个大的卷积个分解 成连续多个小卷积核（核分解）

7*7   ------》  3*3*3

【4】GoogLeNet

split -merge  多种大小卷积核 

【5】ResNet 网络

H(X)=F(X)+X

F(X) 是残差映射

 

 

 

参考文献，侵删

小象学院的视频

Y_principal
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
My-TensorFlow-tutorials:TensorFlow 学习笔记和分享
05-10
TensorFlow 学习笔记和分享，包含手写数字识别、猫狗识别和TensorFlow的一些基础学习代码。 如果需要数据包，请在 issues 中提问。 手写数字识别 博客地址： 猫狗识别 博客地址： 验证码识别 （未完成）
图像卷积与反卷积
Acmer_future_victor的博客
02-25 2149
声明：本文章为转载文章，原文网址：https://www.cnblogs.com/raorao1994/p/9485814.html 一、图像卷积类型 　　在2维图像卷积计算中，大致分为full、same和valid这三类。 　　1、valid卷积操作 　　 　　　　　　　　　　　　图1 valid卷积操作 　　valid卷积的图像大小计算公式为：滑动步长为S，图片大小为N1x...
【深度学习笔记】标准卷积
学习带来的快乐最持久~
07-28 1126
举个例子，假设有一个3×3大小的卷积层，其输入通道为16、输出通道为32。 那么一般的操作就是用32个3×3的卷积核同输入数据来分别进行卷积操作，这样每个卷积核需要3×3×16个参数，得到的输出是只有一个通道的数据。 之所以会得到一通道的数据，是因为刚开始3×3×16的卷积核的每个通道（一共16个）会在输入数据的每个对应通道上做卷积，然后叠加每一个通道对应位置的值，使之变成了单通道，那么32个卷积核一共需要(3×3×16)×32 =4068个参数。 也就是说，在每次卷积操作中，多卷积核所有16个通道 只针
卷积
小飞侠的博客
04-15 821
卷积核：可以看作对某个局部的加权求和，它是对应局部感知，它的原理是在观察某个物体时我们既不能观察每个像素也不能一次观察整体，而是先从局部开始认识，这就对应了卷积。卷积核的大小一般有1x1,3x3和5x5的尺寸。卷积核的个数就对应输出的通道数，这里需要说明的是对于输入的每个通道，输出每个通道上的卷积核是不一样的。比如输入是28x28x192(WxDxK,K代表通道数)，然后在3x3的卷积核，卷积通道...
【深度学习笔记（五）】之卷积神经网络组成介绍
开发小鸽
07-19 1915
一. 卷积神经网络（CNN） （一）结构组成         经典的神经网络我们之间已经讲过了，现在我们要讲的是卷积神经网络。         神经网络的结构是：                 输入层 + 隐藏层 + 激活函数 + 输出层         卷积神经网络的组成： &
卷积参数详解
Lzj000lzj的博客
07-04 1117
当输入的数据为32*32*3，卷积核大小为5*5*3且slide=1时，得到(32-5+1)*(32-5+1)*(3-3+1)=28*28*1，同时如果我们有6个卷积核，那么得到的是28*28*6大小的输出
Tensorflow内核 tensorflow-internals 学习笔记
12-21
Tensorflow内核 tensorflow-internals 学习笔记 Tensorflow内核 tensorflow-internals 学习笔记 Tensorflow内核 tensorflow-internals 学习笔记 Tensorflow内核 tensorflow-internals 学习笔记 Tensorflow内核 ...
Python-Tensorflow实战学习笔记代码机器学习进阶系列
08-11
tensorflow_in_action ：： Tensorflow实战学习笔记 MachinLN ：： 机器学习进阶系列 Tensorflow ：： tensorflow实战代码 face_detection ：： 人脸检测系列 tf-API :: tensorflow api解读 ml_in_...
机器学习Scikit-Learn和TensorFlow的资料笔记.zip
最新发布
07-24
机器学习Scikit-Learn和TensorFlow的资料笔记.zip机器学习Scikit-Learn和TensorFlow的资料笔记.zip机器学习Scikit-Learn和TensorFlow的资料笔记.zip机器学习Scikit-Learn和TensorFlow的资料笔记.zip机器学习Scikit-...
python tensorflow-GPU 2.6.0 版本学习笔记
03-05
以下是对这个学习笔记中可能包含的关键知识点的详细解释： 1. **TensorFlow基础**： - **张量（Tensor）**: TensorFlow的核心是张量，它是一种多维数组，可以是标量、向量、矩阵或其他更高维度的数据结构。 - **...
NNDL 实验六 卷积神经网络（1）卷积
zhenjiteng的博客
10-20 896
这次，我还是写的很细，并且这两天事这真的多，这次，是喝了点酒，然后之前写了一点，本着今日事今日毕的原则，挣扎着写完了，越写越精神(哈哈哈)。
深度学习卷积和计算讲解
JavaBigData的博客
10-31 1996
放图 输入是5*5的图片，有三个通道，即R、G 、B，也可以理解深度为3，从三个不同角度看图片，输入就是5*5*3,里面的每个像素或者元素都是输入x. 为了避免全连接导致参数太多，训练复杂，引入卷积核，从小角度看图片，而不是整体看图片。卷积核是3*3*3，是自己定义的，一般是5*5*3、3*3*3、7*7*3、11*11*3这几个奇数，红色的3是对应rgb三通道，里面 的每个元素值相当于权重w。 步长可以理解为滑窗，按照3*3的窗口在图片上左右，上下滑动。 假如步长为3，则w−f+ss=图片宽−卷积核宽+
教你如何记住卷积后图像大小的公式
Setul
11-05 1640
假设输入图像的尺寸为i x i，输出图像尺寸为 o x o， 步长stride为s, 某一边的padding为p，kernal的大小为k x k，则公式为： 如何快速记住这个公式呢？ 如上图画了一个实例，输入图像大小为3 x 3， i = 3; p = 1; s = 1; k = 3. 3 x 3的图像经过padding以后变为5 x 5，即i + 2p。而 i + 2p - k 的含义则是图中的蓝色kernal有几个像素可以走，每一步的步长是s，(i + 2p - k) / s 的意思显然就是蓝色ke
吴恩达机器学习第一章作业python实现
Tong_Hao的博客
09-30 682
吴恩达机器学习第一章作业python实现读取数据数据集准备编写损失函数和梯度下降算法数据可视化 读取数据 import numpy as np import pandas as pd import matplotlib.pyplot as plt data = pd.read_csv('data/ex1data1.txt',names=['population','profit']) print("数据前5行：",data.head(5)) print("数据后5行：",data.tail(5)) prin
卷积神经网络中用多个3*3的小卷积核代替大卷积核
Dandelion_2的博客
07-17 1万+
1、为什么要使用3*3的卷积核？ (1)3x3是最小的能够捕获像素八邻域信息的尺寸。 (2)两个3x3的堆叠卷基层的有限感受野是5x5；三个3x3的堆叠卷基层的感受野是7x7，故可以通过小尺寸卷积层的堆叠替代大尺寸卷积层，并且感受野大小不变。 (3)多个3x3的卷基层比一个大尺寸filter卷基层有更多的非线性（更多层的非线性函数，使用了3个非线性激活函数）。 (4)多个3x3的卷积层比一个大尺寸...
卷积层详细刨析
butiful1的博客
03-25 658
卷积层的刨析： 局部感知： 卷积层使用***卷积核**进行局部感知。原输入一个32×32×3的RGB图经过一层5×5×3的卷积后变成了一个28×28×1的特征图，那么输入层共 32×32×3=3072个神经元，第一层隐层会有28×28=784个神经元，这784个神经元对原输入层的神经元只是局部连接。 卷积核一般以随机小数矩阵的形式初始化。 权值共享以及权值计算 权值共享可以减少很多不相干的参数量的计算，可以节约计算资源。例如：隐层中有好多神经元，每个神经元1010的连接个参数量，实际就是每个神经元的参数向量
CNN 理解神经网络中卷积(大小，通道数，深度)
ThorKing01的博客
05-23 3万+
记录一些之前学习中理解不透彻或者有偏差的知识 首先，对于卷积核（或称为卷积过滤器）的大小，一个卷积核的通道数与它进行卷积的输入必须是相同。 例如：32*32*3的图像的卷积核通道数必须是3,如5*5*3。 在这个卷积核中三层卷积的参数是相同的（对于三个通道而言）。 其次，对于卷积运算，一个卷积核经过计算得到的一定是一个映射，一个数字。 接着，对于卷积核的深度，就是有几个卷积核。下图中...
【13】经典卷积神经网络总结
qq_33612665的博客
08-19 394
【1】LeNet（1986） （1）模型 （2）目的 数字识别 （3）层数 输入尺寸：32*32 卷积层：2个 池化层：2个 全连接层：2个 输出层：1个（10个类别） （4）特点 ReLU ，ReLU比tanh要快，非线性非饱和函数比非线性饱和函数要快 双GPU并行运行 LRN局部响应归一化 Overlapping Pooling 防止过拟合：数据增强，dropout （5）名词解释 （1）LRN一般是在激活、池化后进行的一中处理方法。（首次使用） i表...
对深度可分离卷积、分组卷积、扩张卷积、转置卷积（反卷积）的理解
热门推荐
Chaolei3的博客
02-26 3万+
参考： https://zhuanlan.zhihu.com/p/28749411 https://zhuanlan.zhihu.com/p/28186857 https://blog.yani.io/filter-group-tutorial/ https://www.zhihu.com/question/54149221 http://blog.csdn.net/guvcolie/a...
TensorFlow深度学习精华笔记
"这份资料是关于TensorFlow的深度学习速成课件，涵盖了从机器学习基础知识到深度神经网络的详细内容。" 在深度学习领域，TensorFlow是一个强大的开源库，用于构建和训练复杂的模型，尤其是神经网络。本课件旨在帮助...
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