CNN基础

最新推荐文章于 2022-12-16 14:33:17 发布
最新推荐文章于 2022-12-16 14:33:17 发布
阅读量473 收藏
点赞数
分类专栏： 深度学习 文章标签： cnn 神经网络
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/bjy_fighting/article/details/70782996
版权
本文介绍了CNN的基础，包括卷积层、池化层和全连接层。卷积层通过权值共享减少参数，池化层用于简化模型，全连接层类似传统神经网络。文章探讨了CNN的经典结构、常见问题及未来趋势，如使用更小过滤器和更深网络结构。
摘要由CSDN通过智能技术生成

1、CNN的引入

传统的神经网络一般属于全连接神经网络，也就是说相邻的两层间中每一层的神经元都与另一层的神经元间有链接。这样的网络显然可以完整的保持输入数据的信息。但假设输入数据的维度较高(假设输入时图片，维度是200X200X3)，相邻隐含层中隐含单元的个数为10个那么第一层的权重中，参数的个数为200X200X3X10 = 1200000个，这还仅仅是考虑了单隐含层的情况。这么多的参数当然可以很好的拟合输入与输出，但同时也很容易造成过拟合的发生。CNN在传统神经网络的基础上加入了卷积层和池化层，以简化网络参数。从整体上讲，CNN包含3种不同的层卷积层、池化层以及和传统神经网络类似的全连接层。即使是非常复杂的CNN网络也只是这3层的叠加。

2、卷积层

既然在1中提到了模型参数过多的情况，那么一个解决方案是权值共享(weight sharing)。即对于不同的输入数据来使用相同的权重来到达缩减参数的目的。其基本思路如下图：
这里写图片描述
在卷积的过程中有3大参数，卷积的宽度、卷积的步长以及补0的行数。

  • 卷积的宽度：一般指过滤器(filter)的宽度
  • 卷积的步长（stride）:即每次卷积移动的步长
  • 补零的行数:通常情况下为了控制通过卷积层后数据的大小（一般情况下作用是保持和输入数据相同的大小）
    假设卷积的
最低0.47元/天 解锁文章
bjy_fighting
关注
专栏目录
卷积神经网络（CNN）
ABCD2010014357的博客
10-26 1997
卷积神经网络（CNN） 参考文章：卷积神经网络（CNN） 卷积神经网络（Convolutional Neural Networks）神经元间的连接是非全连接的（稀疏连接）， 同一层中某些神经元之间的连接权重是共享的（即相同的）。为什么要权重共享呢？
Deep Learning模型之：CNN卷积神经网络（一）深度解析CNN
热门推荐
u010555688的专栏
04-25 8万+
1. 概述         回想一下BP神经网络。BP网络每一层节点是一个线性的一维排列状态，层与层的网络节点之间是全连接的。这样设想一下，如果BP网络中层与层之间的节点连接不再是全连接，而是局部连接的。这样，就是一种最简单的一维卷积网络。如果我们把上述这个思路扩展到二维，这就是我们在大多数参考资料上看到的卷积神经网络。具体参看下图：
用CNN用来对自己的数据集分类
06-02
这个CNN工具箱只用改一两个地方就可以对自己的数据集分类了 比github上的deeplearning的工具箱里的CNN改动要简单
卷积神经网络CNN的一些基础概念理解
TaylorMei的博客
08-17 595
Relu函数的导数计算 先从最简单的开始，Relu激活在高等数学上的定义为连续（局部）不可微的函数，它的公式为 Relu(x)= x, x>0 0, x≤0 其在x=0处是不可微的，但是在深度学习框架的代码中为了解决这个直接将其在x=0处的导数置为0或1，所以它的导数也就变为了 δRelu(x)= 1, x>0 0, x<=0 Pooling池化
CNN和LSTM的输入数据维度
qq_45283936的博客
12-16 2596
CNN: 对于torch.nn.Conv2d()来说，输入的数据需要是4维的，即 [batch_size，channel，image_x，iamge_y] 如果每次输入一个图像的话通道就是1 pg.CNN的第一层是 torch.nn.Conv2d(1,64) 说明输出通道是64 LSTM: (seq_len, batch, input_size) 其中： seq_len表示的是句子的长度 batch表示的是一次往LSTM中输入句子的数目 input_size表示的是输入的维度
CNN基础与Caffe实践共96页.pdf.zip
11-21
在《CNN基础与Caffe实践共96页.pdf》这份文档中，读者将深入理解CNN的工作原理和Caffe的实际应用，包括如何构建模型、训练网络、调整超参数以及进行模型优化。这96页的内容全面且深入，对于想要掌握深度学习尤其是...
CNN基础入门
12-06
CNN基础入门的知识点涵盖广泛的领域，包括神经网络基础、CNN的工作原理、优势与劣势、实际搭建与训练过程、以及在实际应用中常用的框架。下面将详细介绍这些内容： 1. 神经网络基础 神经网络是由大量神经元组成的...
CNN基础尝试代码-基于MNIST
最新发布
02-16
CNN（卷积神经网络）主要运用于图像识别，进行图像内容的的分类。 CNN有三个基本思想，局部感受野(local receptive fields) 权值共享(shared weights) 池化(pooling)。 本代码利用部分CNN知识进行MNIST数据集上训练...
CNN- 数据预处理
乐乐的博客
09-06 6749
原文：https://www.cnblogs.com/luxiao/p/5534393.html 对于CNN输入的数据，常见的有三种处理方式：      1.Mean subtraction.  将数据的每一维特征都减去平均值。在numpy 中 X -= np.mean(X, axis = 0)      2.Normalization  归一化数据，使数据在相同尺度。 在numpy 中 X...
CNN代码系列之数据准备（一）
samylee的博客
04-05 2061
本博客为CNN卷积代码系列之数据准备。 注意：此代码基于mnist手写数字数据集而编写，稍作修改，即可运用其他数据集。
CNN Matlab例子RGB_CNN网络基础
weixin_39675038的博客
11-20 262
最近在看DQN的时候发现resnet模型又有点不太理解，于是把从CNN到Resnet的资料看了一遍，以防忘记，整个备忘录。 卷积神经网络(CNN)，是深度学习中常见的一种网络结构，相比于传统的神经网络大量的神经节点带来的内存消耗过大和参数爆炸，CNN的出现很好解决了这一问题。一.CNN基本概念1.filter filter(过滤器)，是用来在卷积过程中提取图像...
cnn输入层_CNN卷积神经网络（超详解析）
weixin_39637723的博客
11-20 831
1、神经网络首先了解神经网络，大家移步这俩篇博客，一篇为纯理论，一篇为实战加理论。机器学习之神经网络学习及其模型入门讲解：使用numpy实现简单的神经网络(BP算法)2、卷积神经网络之层级结构cs231n课程里给出了卷积神经网络各个层级结构，如下图上图中CNN要做的事情是：给定一张图片，是车还是马未知，是什么车也未知，现在需要模型判断这张图片里具体是一个什么东西，总之输出一个结果：如果是车 那是什...
python cnn_卷积神经网络CNN输入的数据格式（基于python）？
weixin_39611308的博客
12-04 3217
谢邀。1. 一维向量，当然可以作为CNN的输入。这时，你需要使用一维CNN。2. 最典型的一维输入，是语音。建议你去查一些语音模型，比如wavenet，就用到了一维卷积。一维卷积的原理，可用下面的图来说明：假设我们有一个待卷积序列(左边) 。 有一个1x5的卷积核。 如果我们的步长为1，则卷积的过程是：下面，我们阅读wavenet网络的基础代码，注意其中的conv1d函数，这里就是用的一维卷积哦。...
python程序设计心得体会感想-python实训心得体会
weixin_37988176的博客
11-01 4851
技术文档主体内容：可以认为是页面最想表达的内容总和。对于内容详情页来说，主体内容指从标题开始至正文内容结束，翻页区域也被视为主体内容，文章后的评论、分享、推荐等不视为主体内容。首屏：用户点击搜索结果后进入移动页面，不滑动屏幕即看到的所有内容，称为首屏。一屏：用户滑动屏幕至主体内容展现结束之前，在页面任意位置停留时看到的所有内容，称为一屏。移动端适配：为了使PC页面能够在移动端正常展现的手段，保证用...
理解卷及神经网络应用在自然语言处理的学习笔记
zhdgk19871218的专栏
05-13 8043
博客地址：http://www.wildml.com/2015/11/understanding-convolutional-neural-networks-for-nlp/ 首先申明本人的英语很搓，看英文非常吃力，只能用这种笨办法来方便下次阅读。有理解错误的地方，请别喷我。CNN怎么应用到NLP什么是卷积和什么是卷积神经网络就不讲了，自行google。从在自然语言处理的应用开始(SO, HOW D
CNN - 卷积神经网络输入层
吴明磊的博客
07-30 1万+
数据输入层：Input Layer 1、数据预处理 进行预处理的主要原因是： 输入数据单位不一样，可能会导致神经网络收敛速度慢，训练时间长 数据范围大的输入在模式分类中的作用可能偏大，而数据范围小的作用就有可能偏小 由于神经网络中存在的激活函数是有值域限制的，因此需要将网络训练的目标数据映射到激活函数的值域 S形激活函数在(0,1)区间以外区域很平缓，区分度太小。例如S形函数f(...
深度学习入门：卷积神经网络CNN基础解析
"机器学习系列11-卷积神经网络CNN part1" 卷积神经网络（Convolutional Neural Network，简称CNN）是深度学习领域中一种专门处理图像数据的神经网络模型，尤其在图像识别和图像分类任务中表现出色。本篇内容主要...
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