CNN卷积过程

最新推荐文章于 2024-03-07 13:42:18 发布
最新推荐文章于 2024-03-07 13:42:18 发布
阅读量9k 收藏 41
点赞数 6
分类专栏： 深度学习-图像处理

目录

1、什么是卷积

2、什么是卷积核

3、什么是卷积层

4、一个卷基层有多少个参数：

5、通道(chennel）怎么理解：

6、几个参数:

7、如何理解权值共享，减少了神经网络需要训练的参数的个数？

最近有一个想法，把基础的东西自己总结一遍，后期有了新的理解不断完善

卷积过程：

                                                                               图（1）

gif理解了，卷积的过程也就理解了；

1、什么是卷积

图像中不同数据窗口的数据和卷积核作内积的操作叫做卷积，本质是提取图像不同频段的特征。和图像处理中的高斯模糊核原理一样。

2、什么是卷积核

               图（2）

也称为滤波器filter，带着一组固定权重的神经元，通常是3x3矩阵，一个卷积核的滤波可以用来提取特定的特征（例如可以提取物体轮廓、颜色深浅等）,通过卷积层从原始数据中提取出新的特征的过程又成为feature map(特征映射)，上图（1）卷积核大小是3X3.，说明下现在卷积核和卷积层之间的概念很模糊了，卷积核和卷积层概念已经混淆。但是还是得说下最准确的说法

3、什么是卷积层

多个滤波器叠加便成了卷积层。上图（1）卷积层大小是3X3x3（CxHxW）. C：表示channel，通道的意思

4、一个卷基层有多少个参数：

上图（1）卷积层参数是是3X3x3x2（C1xHxWxC2）输入特征通道  x  卷积核H  x  卷积核W  x  输出特征的通道

5、通道(chennel）怎么理解：

通道可以理解为视角、角度。每个chennel表示不同的含义

6、几个参数:

深度depth：卷积层个数，上图（1）2个，决定输出的通道数上图（1）输出通道2个。
步长stride：决定滑动多少步可以到边缘，上图（1）步长为2。

填充值zero-padding：在外围边缘补充若干圈0，方便从初始位置以步长为单位可以刚好滑倒末尾位置，通俗地讲就是为了总长能被步长整除。 上图（1）zero-padding  是1。

7、如何理解权值共享，减少了神经网络需要训练的参数的个数？

https://blog.csdn.net/lien0906/article/details/51249947这个解释的挺好

 

来自：

https://blog.csdn.net/cheneykl/article/details/79740810

https://www.cnblogs.com/qcloud1001/p/10000106.html

唯我视你为青山
关注
  • 6
    点赞
  • 踩
  • 41
    收藏
    觉得还不错? 一键收藏
  • 3
    评论
专栏目录
TensorFlow CNN卷积神经网络实现人脸识别性别的检测,并对卷积过程中的提取特征进行了可视化.
05-08
【作品名称】：TensorFlow CNN卷积神经网络实现人脸识别性别的检测,并对卷积过程中的提取特征进行了可视化. 【适用人群】：适用于希望学习不同技术领域的小白或进阶学习者。可作为毕设项目、课程设计、大作业、...
CNN(卷积神经网络)的实现过程详解
Rocky006的博客
07-25 4367
在图像处理领域，CNN(卷积神经网络)处于绝对统治地位，但对于CNN具体是如何用神经网络实现的，能找到的介绍要么是一大堆数学公式，要么是大段晦涩的文字说明，读起来很是辛苦，想写好一片完整的而且有深度的文章出来非常难，所以本文适合入门的朋友对CNN的学习和了解。注意上述等式中的bias参数b在4个等式中都是一样的，可以把b理解为特征提取器的一部分，就像权重参数(α, β, γ, δ)是特征提取器的一部分一样。权重矩阵的每一行，代表了在图片上对特征过滤器的一次应用，其中的0表示这次应用不会覆盖的像素。
深度学习之全过程搭建卷积神经网络（CNN）
qq_45856698的博客
05-20 3509
全过程搭建卷积神经网络
卷积神经网络（CNN）算法详解
最新发布
极光喵的博客
03-07 2695
注意：本文引用自专业人工智能社区Venus AI 更多AI知识请参考原站 （[www.aideeplearning.cn]） 引言 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, FNN），是深度学习的代表算法之一。 对卷积神经网络的研究始于二十世纪80至90年代，时间延迟网络和LeNet-5是最早出现的卷积神经网络；在二十一世纪后，随着深度学习理论的提出和
TensorFlow实战：Chapter-3（CNN-1-卷积神经网络简介）
DFan的NoteBook
07-19 2万+
卷积神经网络简介 CNN的提出 CNN的壮大 卷积神经网络结构 卷积神经网络的常见网络结构 卷积 信号处理中的卷积 图像处理中的卷积 卷积的类型的参数 卷积层 卷积层原理 卷积层算法 卷积层特点 权值共享 多卷积核 池化层 池化层原理 池化层算法 池化层特点 池化单元的平移不变性 显著减少参数数量 TensorFlow中的CNN 卷积 strides参数 padding参数 tfnnconv2d t
cnn卷积过程简略概述
zqplgl的博客
08-10 545
假设输入：4通道的featureMap  大小为4*28*28 输出：96通道的featureMap 4通道的featureMap 卷积后变为96个通道的featureMap 需要96个卷积核，每个卷积核的大小为4*kernel_h*kernel_w（卷积核是有深度的，切记！！！） 需要bias 为96个   卷积过程： 1、计算卷积后的featureMap大小： top_n = ...
深度学习基础篇之卷积神经网络（CNN）
Fluentwater的博客
05-19 4402
当然我们也可以灵活搭配各种结构，如卷积层+卷积层、卷积层+卷积层+池化层，这些在构建模型时没有限制。在若干卷积层+池化层后面是全连接层（Fully Connected Layer，简称FC），全连接层实际上就是DNN的结构，输出层采用的是Softmax层做图像的分类。从CNN的结构可以看出，CNN相对于DNN，比较特殊的就是卷积层和池化层，只要把卷积层和池化层的原理搞清楚，那么搞清楚CNN就很容易了。在卷积层后面是池化层（Pooling Layer），这也是CNN特有的网络结构，池化层是没有激活函数的。
CNN 卷积神经网络（过程解析）
影子
09-21 2756
一张灰度图像，就是一个单通道，h*w*1表示高和宽和1通道，每个像素值范围0-255，只有宽和高的图像就是2d矩阵，可以表示成0-1或者0-255，0表示黑色，255表示白色。彩色图像RGB或者BGR是3通道，h*w*3，是一个张量。
（pytorch-深度学习系列）卷积神经网络中的填充(padding)和步幅(stride)
我亦是行人
10-26 5811
卷积神经网络中的填充(padding)和步幅(stride) 之前写过一篇blog，描述CNN网络层的输入和输入尺寸的计算关系，但是并没有描述的很全面，这里全面描述了影响输出尺寸的两个超参数padding和stride，查阅了相关资料，编码理解了pytorch中CNN网络的输入输出关系。 对于CNN网络，一般来说，假设输入形状是nh×nwn_h\times n_wnh​×nw​，卷积核窗口形状是kh×kwk_h\times k_wkh​×kw​，那么输出形状将会是 (nh−kh+1)×(nw−kw+1).(
CNN实现过程（卷积神经网络Convolutional Neural Networks）
什么都学不会
11-04 7060
1.图像的输入 一张照片是如何输入到神经网络中的。众所周知，计算机适合处理的是矩阵运算，所以必须要把图片转换成矩阵后计算机才能认识。所有的彩色图像都由红绿蓝（RGB）叠加而成，成为图像的三个通道，一张图片在计算机中存储也是通过这三个矩阵完成的。 RGB这三个矩阵称为为图像的3个通道，也作为神经网络的输入数据。（直方图均衡里边可以先把RGB转化为HSV处理） 2.卷积神经网络的组成 与其他神经网络相同，CNN网络同样也包含输入层、隐藏层、输出层几大部分，卷积神经网络的主要运算过程如图 卷积.
CNN基本步骤以及经典卷积(LeNet、AlexNet、VGGNet、InceptionNet 和 ResNet)网络讲解以及tensorflow代码实现
hanhan的博客
09-16 2585
课程来源：人工智能实践:Tensorflow笔记2 文章目录前言1、卷积神经网络的基本步骤1、卷积神经网络计算convolution2、感受野以及卷积核的选取3、全零填充Padding4、tf描述卷积层5、批标准化(BN操作)6、池化Pooling7、舍弃Dropout8、卷积神经网络搭建以及参数分析2、经典卷积网络讲解1、LeNet2、AlexNet3、VGGNet4、InceptionNet5、ResNet6、经典卷积网络总结总结 前言 本讲目标:讲解卷积神经网络的基本步骤以及分析比较经典的网络架构
【CNN】一文读懂卷积神经网络（CNN）详细过程！
qq_54432917的博客
11-21 2540
图片演示卷积神经网络经历卷积层、池化层和非线性激励层的全过程；直观的方式解释卷积神经网络的工作原理
cnn卷积前后推导
11-30
以图形加文字形式详细介绍卷积神经网络的工作过程，对于学习卷积神经网络很有帮助
基于MATLAB的CNN卷积神经网络识别MNIST数据集的手写数字，识别率达到98以上，matlab2021a测试
05-03
单层CNN网络提取手写体数字图像的特征，并采用双层全连接网络完成手写体数字的多分类任务。实验数据集选取无偏性较好的MNIST数据集，实现了误差返向传播的过程，经过3轮训练，最终得到预测准确率为98.33%。
卷积神经网络CNN总结
02-24
从神经网络到卷积神经网络（CNN）我们知道神经网络的结构是这样的：那卷积神经网络跟它是什么关系呢？其实卷积神经网络依旧是层级网络，只是层的功能和形式做了变化，可以说是传统神经网络的一个改进。比如下图中就...
卷积神经网络卷积过程
yinxue541的博客
09-14 6195
卷积过程是卷积神经网络最主要的特征。然而卷积过程有比较多的细节，初学者常会有比较多的问题，这篇文章对卷积过程进行比较详细的解释。 1.卷积运算 首先我们需要知道什么是卷积计算，它其实是一种简单数学运算，有两个步骤：一个是矩阵内积乘法，另一个是将内积乘法的结果进行全加。 （1）矩阵内积乘法 矩阵的内积乘法非常简单，就是把两个相乘的矩阵，相同位置的元素进行乘法运算，这个时候会得到一个新的矩阵（在这里我们需要注意一下，卷积是在作矩阵内积乘法，而不是矩阵乘法）。 （2）全加计算 这个新矩阵的全部值会进行相加，然后会
全网最全的卷积运算过程
热门推荐
Lucinda6的博客
04-10 2万+
卷积运算 1.卷积核的通道（也叫滤波器）的个数得与被卷积的图片通道数相同 eg:输入图片是1024×1024×3，即通道数为3，那么每个卷积核得有3个通道 2.卷积核做的是线性运算，核上的每个值与它滑动到的对应位置上的值相乘，然后把这些值相加。 eg：默认滑动步长为1 用右边的9个格放到原图上，9个9个的不重复的走 先从左向右滑： 输出的第一个值为 2×1+8×0+9×2+1×1+2×0+8×1+7×3+7×0+2×0=50 输出的第二个值为 8×1+9×0+1×2+2×1+8×0+3×1+7×3+2×0+
【深度学习基础】卷积是如何计算的
Huffie博客
07-15 1万+
卷积操作其实就是每次取一个特定大小的矩阵，然后将其对输入矩阵依次扫描并进行内积的运算过程。
CNN的卷积执行过程图解
qq_40349484的博客
11-13 1306
最近在看李宏毅老师的机器学习，讲到CNN这里的时候对下面这张PPT怎么都想不明白，经过一番网上冲浪，终于搞明白了。原PPT如下。 核心疑问：25 * 13 * 13的特征图在经过50个3 * 3的filter之后是怎么变成50 * 11 * 11的特征图的？ 这一切要从CNN是怎么做卷积的说起。对上图PPT的例子分析如下： （1）输入图像为灰度图（只有一个channel），大小为28 * 28，每经过一个filter的卷积操作后，生成一张特征图。一共有25个filter，生成25张特征图。同时图像大小被卷
CNN卷积过程中应用Transformer实现图像数据和数值数据的融合，作为下一卷积层的输入，pytorch代码实现，带注释
05-30
好的，以下是实现代码和注释： ```python import torch import torch.nn as nn import torch.nn.functional as F class ConvTransformer(nn.Module): def __init__(self, in_channels, out_channels, kernel_size, stride, padding): super(ConvTransformer, self).__init__() # 定义卷积层 self.conv = nn.Conv2d(in_channels, out_channels, kernel_size, stride, padding) # 定义Transformer编码器层 self.encoder_layer = nn.TransformerEncoderLayer(d_model=64, nhead=8) self.transformer_encoder = nn.TransformerEncoder(self.encoder_layer, num_layers=1) # 定义全连接层 self.fc = nn.Linear(out_channels + 64, 10) def forward(self, x, numerical_data): # 卷积操作 x = self.conv(x) # 将卷积结果reshape成为一个二维矩阵，方便输入到Transformer中 x = x.view(x.size(0), x.size(1), -1) # 将数值数据扩展成与卷积结果相同的形状 numerical_data = numerical_data.unsqueeze(-1).repeat(1, 1, x.size(-1)) # 将卷积结果和数值数据按通道拼接 x = torch.cat([x, numerical_data], dim=1) # Transformer编码器层 x = self.transformer_encoder(x) # 将结果reshape回到原来的形状 x = x.view(x.size(0), -1) # 全连接层 x = self.fc(x) return x ``` 该代码实现了一个卷积层和一个Transformer编码器层的结合，用于将图像数据和数值数据进行融合，并将结果输入到全连接层中进行分类。在forward函数中，首先对卷积层进行操作，然后将卷积结果reshape成一个二维矩阵，方便输入到Transformer中。接着将数值数据扩展成与卷积结果相同的形状，并在通道维度上拼接到卷积结果中。然后将结果输入到Transformer编码器层中进行处理，最后将结果reshape回到原来的形状，然后输入到全连接层中进行分类。

“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 3
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