CNN（卷积神经网络）学习笔记

最新推荐文章于 2024-05-24 11:30:24 发布
最新推荐文章于 2024-05-24 11:30:24 发布
阅读量263 收藏 2
点赞数 1
分类专栏： 笔记 文章标签： 神经网络 cnn 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/c923813753/article/details/120102638
版权
本文介绍了CNN的概念，其结构包括卷积、激活、池化和全连接层。卷积通过滤波器提取图像特征，池化用于降低特征空间维度，全连接层作为分类器提取整体特征。CNN架构通常由多个卷积、池化和全连接层堆叠构成。
摘要由CSDN通过智能技术生成

CNN的概念

卷积神经网络（Convolutional Neural Networks / CNNs / ConvNets）与普通神经网络非常相似，它们都由具有可学习的权重和偏置常量(biases)的神经元组成。每个神经元都接收一些输入，并做一些点积计算，输出是每个分类的分数。

CNN的结构层次

基础的CNN由卷积(convolution), 激活(activation), and 池化(pooling)三种结构组成。CNN输出的结果是每幅图像的特定特征空间

卷积

考虑一个大小为5×5的图像，和一个3×3的卷积核。这里的卷积核共有9个参数，每个参数相当于卷积核中的数与图像中对应的数乘积之和

在这里插入图片描述

池化

池化(pooling），是一种降采样操作(subsampling)，主要目标是降低feature maps的特征空间，或者可以认为是降低feature maps的分辨率。因为feature map参数太多，而图像细节不利于高层特征的抽取。
在这里插入图片描述
目前主要的池化操作：

  1. 最大值池化 Max pooling：如上图所示，2 * 2的max pooling就是取4个像素点中最大值保留
最低0.47元/天 解锁文章
我不会算法
关注
  • 1
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
CNN笔记
qq_42766409的博客
04-12 224
卷积神经网络（convolutional neural network CNN）: 卷积神经网络和之前介绍的神经网络一样（属于相邻层所有的神经元之间都有连接，称为全连接affine），可以像堆积木一样通过组装层来构建。CNN中出现了卷积层（convolution层），和池化层。 图1. 之前的神经网络 图2. CNN中新增了Convolution层和Pooling层 卷积层： CNN中会出现一...
cnn学习笔记
yolov4的博客
10-15 203
cnn学习笔记 ReLU（修正线性单元）层在每个卷积层之后，通常会立即应用一个非线性层（或激活层）。其目的是给一个在卷积层中刚经过线性计算操作（只是数组元素依次（element wise）相乘与求和）的系统引入非线性特征。过去，人们用的是像双曲正切和 S 型函数这样的非线性方程，但研究者发现 ReLU 层效果好得多，因为神经网络能够在准确度不发生明显改变的情况下把训练速度提高很多（由于计算效率增加）
深入解析卷积神经网络（CNNs）
最新发布
科技追踪者的专栏
05-24 937
卷积神经网络通过卷积操作和层次化的特征提取能力，在计算机视觉领域取得了显著成果。它们不仅能够有效处理图像数据，还被扩展应用到自然语言处理、语音识别等多个领域。随着深度学习技术的不断发展，CNNs 将继续在人工智能的各个领域发挥重要作用。
R-CNN学习笔记
XZZPPP的博客
05-08 5911
1、简介        R-CNN是深度学习在目标检测任务上的应用，其中R对应于“Region(区域)”。整体框架与传统方法相似。        本文两个关键点是：1、使用候选窗口，并用CNN对其进行特征提取；2、样本缺乏时，使用大量辅助样本预先训练，再用自己样本进行微调。         整体框架大致为：生成候选窗口(Selective Search)，进行特征提取(CNN)，对窗口进行分
卷积神经网络知识学习笔记
02-24
本文来自简书，本文主要讲解了卷积神经网络知识，包括卷积层和池化层的介绍，希望对您的学习有所帮助。卷积神经网络（CNN）是含有卷积层（convolutionallayer）的神经网络，二维卷积层有高和宽两个空间维度，常用来...
卷积神经网络CNN学习笔记 pdf
11-07
卷积神经网络（CNN）是一种深度学习模型，尤其在图像识别和分类领域表现出色。CNN能够自动且有效地从图像中提取特征进行学习和识别，其在处理具有类似结构的数据时显示了非常好的性能。CNN之所以高效，是因为它能够...
卷积神经网络 深度学习笔记1
06-19
卷积神经网络深度学习笔记1 卷积神经网络（Convolutional Neural Networks，CNN）是一种深度学习算法，主要应用于图像识别和计算机视觉任务。与传统的多层感知机相比，卷积神经网络更好地利用了图像的空间结构信息...
AI学习笔记——卷积神经网络（CNN）
02-24
本文来自简书，本文主要介绍了一个完整的卷积神经网络(CNN)，卷积的滤波器（Filter）是如何工作的呢？请参见下文。上篇文章简单地地介绍了神经网络和深度学习，在神经网络中，每一层的每个神经元都与下一层的每个...
CNN简单笔记
12-28
在CNN中，滤波器filter（带着一组固定权重的神经元）对局部输入数据进行卷积计算。每计算完一个数据窗口内的局部数据后，数据窗口不断平移滑动，直到计算完所有数据。这个过程中，有这么几个参数： 
CNN学习笔记
爱敲键盘的吉他手
08-11 428
目录ContentsCNN(Convolutional Neural Network)1. 引言(Introduction)2. 为什么使用CNN(Why CNN?)3. CNN组成模块(CNN Module)3.1 卷积层(Convolutional Layer)3.1.1 一般卷积(Normal Conv)3.1.2 扩张卷积(Padding Conv)3.1.3 转置卷积(Transpose Conv)3.1.4 可分离卷积(Separable Conv)3.1.5 空间卷积(3D Conv)3.1.
CNN基础记录篇（CNN笔记）
Fighting_y的博客
07-02 359
1.卷积核（滤波器）大小为kkd，其中d为深度，d和输入特征图的通道数相同。每一层的卷积核数量和输出通道数数相同。输入的每个通道和对应深度的卷结核进行卷积，然后取和，组成输出的一个通道。 2.卷积尺寸变化公式：（输入尺寸（W_in,H_in），输出尺寸（W_out,H_out）,padding为某个数值，stride为步长,卷积核大小（W_k,H_k）） H_out = (H_in-H_k+2padding)/stride + 1 W_out = (W_in-W_k+2padding)/stride + 1
DeepLearning CNN 笔记
RhineYu's Blog
03-30 1545
DeepLearning 第9章 卷积神经网络 笔记
CNN学习笔记一
AnnaZhan的博客
10-27 431
CNN学习（一） Convolutional Neural Networks are very similar to ordinary Neural Networks from the previous chapter: they are made up of neurons that have learnable weights and biases 卷积神经网络和其他神经网络非常相似！！ ...
卷积神经网络（CNN）——学习笔记
weixin_43898617的博客
11-08 1079
卷积神经网络 CNN
cnn卷积神经网络笔记
09-02
- *2* [深度学习——CNN卷积神经网络个人理解笔记汇总](https://blog.csdn.net/m0_59998867/article/details/123696930)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":...
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