(Tensorflow之十一）cnn卷积神经网络LeNet-5模型以及卷积核的计算

最新推荐文章于 2023-11-02 19:25:43 发布
最新推荐文章于 2023-11-02 19:25:43 发布
阅读量1.2k 收藏 8
点赞数
分类专栏： AI 文章标签： Tensorflow cnn LetNet
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/abiggg/article/details/79029770
版权

一、基本结构


二、层次功能

2.1 卷积层(filter)

（1）卷积层主要是用于局部特征的提取。

可以这么简单的理解：图像是由一个个像素点组成的，倘若以每个像素点进行分析，则一方面运算量较大，另一方面，容易陷于过拟合，无法很好的进行预测分析；若将图像分成一个个小块进行分析，则可以获得一些简单的局部特征，不仅可以降低运算量，同时也可避免过拟合；而这一个个小块，我们称之过滤器filter（或感受野）,一般过滤器的大小为1X1、3X3、5X5、7X7。

（2）卷积的前向传播

  • 3x3单通道矩阵卷积3x3的单通道过滤器，结果为单个数值

  • 6x6单通道矩阵卷积3x3的单通道过滤器，步长为1，结果为4x4单通道矩阵；
OutLength = （INLength-FilterLength+1）/Stridelength
OutWidth = （INWidth-FilterWidth+1）/StrideWidth

  • 6x6单通道矩阵卷积3x3的双通道过滤器，步长为1，结果为4x4双通道矩阵；

可知，输出的通道数与过滤器的通道数相同；
OUTchannel = FILTERchannel
  • 6x6双通道矩阵卷积3x3的双通道过滤器，步长为1，结果为4x4双通道矩阵&#x
最低0.47元/天 解锁文章
abiggg
关注
  • 0
    点赞
  • 踩
  • 8
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
卷积神经网络的网络结构——以LeNet-5为例
strint的专栏
03-09 4万+
卷积神经网络是一种特殊的多层神经网络，像其它的神经网络一样，卷积神经网络也使用一种反向传播算法来进行训练，不同之处在于网络的结构。卷积神经网络的网络连接具有局部连接、参数共享的特点。局部连接是相对于普通神经网络的全连接而言的，是指这一层的某个节点只与上一层的部分节点相连。参数共享是指一层中多个节点的连接共享相同的一组参数。
Lenet5参数计算详解
weixin_40993979的博客
02-23 2564
LeNet5 输入层：32×32 C1卷积层： 卷积核大小：5×5 卷积核种类：6 输出特征图大小：28×28 计算公式：32-5+1=28 神经元数量：28×28×6 可训练参数：(5×5+1)×6 (每个滤波器5×5=25个unit参数和一个bias参数，一共6个滤波器) 连接数：(5×5+1）×6×28×28=122304 S2池化层(下采样层)： 输入：28×28 6个(C1中的特征图) 采样区域：2×2 采样方式：4个输.
LeNet -5网络详解（各个参数变化计算）
weixin_40722688的博客
05-31 2494
https://blog.csdn.net/saw009/article/details/80590245
LeNet-5卷积/池化/全连接参数计算
qq_43168682的博客
10-25 1599
卷积/池化/全连接参数计算 以Lenet-5为例子： LeNet-5有7层： C1.卷积+激励 参数的个数为:(fitler+bias) * channel_depth S2.池化（降低参数量，降低过拟合） C3.卷积+激励 LeNet-5的核心：使用不同channel数量的卷积得到不同的feature map，为了降低计算参数(当时GPU性能不高) 如下:6个3层channel+9个4层...
【深度学习｜CNN算法】LeNet-5 (1998)详解
m0_63190901的博客
11-02 314
深度学习LeNet-5
lenet-5模型的手写数字识别
04-17
LeNet-5是由Yann LeCun等人在1998年提出的一种卷积神经网络（Convolutional Neural Network, CNN），它在当时被广泛应用于OCR（Optical Character Recognition）系统，特别是对手写数字的识别。 LeNet-5模型的核心...
Tensorflow实现卷积神经网络的详细代码
09-20
卷积神经网络（CNN）是一种深度学习模型，尤其在图像识别和处理领域有着广泛的应用。在TensorFlow中，我们可以利用其强大的数学运算能力构建CNN模型。以下是对标题和描述中涉及的知识点的详细解释。 1. **卷积神经...
基于CNN卷积神经网络算法实现车牌识别系统
最新发布
12-22
车牌识别系统，基于Python实现，通过TensorFlow搭建CNN卷积神经网络模型，对车牌数据集图片进行训练最后得到模型，并基于Django框架搭建网页端平台，实现用户在网页端输入一张图片识别其结果，并基于Pyqt5搭建桌面端...
LeNet-5.zip
06-01
LeNet-5是一个经典的卷积神经网络（Convolutional Neural Network, CNN）模型，由Yann LeCun等人在1998年提出，主要用于手写数字识别任务，特别是美国邮政编码的自动识别。这个模型在当时是开创性的，因为它展示了...
Python-TensorFlow101一个简单的使用TensorFlow实现卷积神经网络
08-11
在本文中，我们将深入探讨如何使用Python和TensorFlow框架实现一个基本的卷积神经网络（CNN）。卷积神经网络是机器学习领域中的一个重要分支，特别适用于图像识别和处理任务。TensorFlow是一个强大的开源库，由...
LeNet5卷积神经网络训练参数（精度0.985）
06-06
LeNet5神经网络模型在手写数字识别中的识别率很高，通过训练得到0.985精度的参数，可以用于训练更高精度的初始参数。其中卷积核选择表(O：true， X: false)： { O, X, X, X, O, O, O, X, X, O, O, O, O, X, O, O, O, O, X, X, X, O, O, O, X, X, O, O, O, O, X, O, O, O, O, X, X, X, O, O, O, X, X, O, X, O, O, O, X, O, O, O, X, X, O, O, O, O, X, X, O, X, O, O, X, X, O, O, O, X, X, O, O, O, O, X, O, O, X, O, X, X, X, O, O, O, X, X, O, O, O, O, X, O, O, O };
深度学习入门(一)：LeNet-5教程与详解
热门推荐
xiongxyowo的博客
11-21 1万+
1.什么是LeNet LeNet5诞生于1994年，是最早的卷积神经网络之一，并且推动了深度学习领域的发展。自从1988年开始，在多年的研究和许多次成功的迭代后，这项由Yann LeCun完成的开拓性成果被命名为LeNet5。 LeNet： 主要用来进行手写字符的识别与分类 确立了CNN的结构，现在神经网络中的许多内容在LeNet的网络结构中都能看到 虽然LeNet网络结构比较简单，但是刚好适合神经网络的入门学习。 2.分析 2.1.LeNet结构 如图所示，LeNet共分为7层，分别是： C1，卷
LeNet-5详解及pytorch实现
weixin_41009689的博客
03-09 5892
LeNet-5网络简介 LeNet-5出自论文Gradient-Based Learning Applied to Document Recognition，是一种用于手写体字符识别的非常高效的卷积神经网络。是入门深度学习网络的基础网络，LeNet-5网络虽然小，但是包含了深度学习的基本模块：卷积层、池化层、全连接层。LeNet5共有七层，不包含输入，每层都包含可训练参数，每个层有多个Featur...
LeNet-5各层参数变化情况详解
XXT2018的博客
05-14 5109
LeNet-5网络 LeNet-5共有7层（不包含输入），每层都包含可训练参数；每个层有多个Feature Map（特征图），每个FeatureMap通过一种卷积滤波器提取输入的一种特征，然后每个FeatureMap有多个神经元。 各层参数： 1、输入层 输入图像的尺寸统一归一化为3232。本层不算LeNet-5的网络结构，传统上，不将输入层视为网络层次结构之一。 2、C1层-卷积层 输入图片：3232 卷积核大小：55 通道数：6 输出featuremap大小：2828 （32-5+1=28） 输出神经
深度学习入门——LeNet5模型计算
qingtian_111的博客
04-06 2213
LeNet5 LeNet-5是一个简单地卷积神经网络，可以通过LeNet-5模型来实现MNIST手写体的识别。 LeNet-5模型大致上有两层卷积层，两层池化层，两层全连接层。 操作流程： 1）输入层：输入一张图像（手写体识别的图像一般是黑白的，图像只有单通道），对这张图片先进行数据预处理，使图片的尺寸统一为32x32大小（当然其他大小也可，但图片尺寸不可过大或过小，导致卷积核无法完全提取图像特...
一文读懂经典卷积网络模型——LeNet-5模型（附代码详解、MNIST数据集）
中科院AI算法工程师的博客
12-02 1万+
LeNet-5模型是Yann LeCun教授与1998年在论文Gradient-based learning applied to document recognition中提出的，它是第一个成功应用于数字识别问题的卷积神经网络。在MNIST数据集上，LeNet-5模型可以达到大约99.2%的正确率。 LeNet-5模型总共...
LeNet-ResNet-AlexNet网络详解
weixin_41744192的博客
04-14 1780
LeNet-AlexNet-VGG-ResNet-DenseNetLeNet LeNet 不计输入层，LeNet-5共有7层，每一层的结构为： 输入层：输入图像的尺寸统一归一化为32*32。 C1层-卷积层 输入图片：3232 卷积核大小：55 卷积核种类：6 输出feature map大小：2828 （32-5+1）=28 神经元数量：28286 可训练参数：（55+1) * 6（每个滤波器55=25个unit参数和一个bias参数，一共6个滤波器） 连接数：（55+1）62828=12230
人工智能-作业4：CNN - 卷积
weixin_59509642的博客
05-13 234
一、卷积、卷积核、多通道、特征图、特征选择概念。 卷积：是通过两个函数f和g生成第三个函数的一种数学运算，其本质是一种特殊的积分变换，表征函数f与g经过翻转和平移的重叠部分函数值乘积对重叠长度的积分。 卷积核：卷积核实际上是一个滤波器，在卷积神经网络中其参数是可学习的，对于一个通道数为c的输入特征图，需要的卷积核的size为(c, k, k)，其中k是卷积核长宽。卷积核的可学习参数还有一个bias，其size为(c, )，即卷积核的每个channel对应一个bias。 多通道：假设输入特征图channel为
CNN问题
萝卜的博客
12-12 299
对离散卷积（或者说CNN中的卷积）有一个明确的认识：离散卷积本质就是一种加权求和。 CNN中的卷积本质上就是利用一个共享参数的过滤器（kernel），通过计算中心像素点以及相邻像素点的加权和来构成feature map实现空间特征的提取，当然加权系数就是卷积核的权重系数。   问题：CNN无法处理Non Euclidean Structure的数据，学术上的表达是传统的离散卷积（如问题1中所...
电影评论情感分类 卷积神经网络text-cnn 模型 tensorflow
06-22
总之，卷积神经网络text-cnn模型是一种高效、准确的情感分类模型，结合TensorFlow库的支持，可以有效地应用于电影评论等自然语言处理任务中。 ### 回答2： 电影评论情感分类是一类自然语言处理任务，它的目标是对...

“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 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