卷积神经网络理解及1*1卷积核的作用

最新推荐文章于 2024-07-15 08:09:53 发布
最新推荐文章于 2024-07-15 08:09:53 发布
阅读量1.6k 收藏
点赞数 1
分类专栏： 机器学习
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/cdlwhm1217096231/article/details/88309443
版权

一. 单通道图像的卷积计算过程

    1. 下面各图中所有数学符号的说明如下：
    • n:图片的宽度和高度
    • n_c:表示图片的通道数
    • f: 过滤器的尺寸大小
    • m: 过滤器的数量
    • Q: 卷积运算后的输出图像的尺寸大小
    • p：所要填充的像素值，padding=0称为Valid Convolution;为了得到与原始输入图像相同尺寸的输出图像而加入的padding，称为Same Convolution
    • s:卷积步长stride
    • []:表示卷积运算后的结果是向下取整运算，如93.6经过[93.6]运算后是93
    • Q的计算公式如下:
      卷积后的尺寸大小.png
    1. 基本计算原理
      基本计算原理.png
  • 2.动态过程
    动态过程.gif
    1. 多通道图像的卷积计算过程
    • 3.1 单个卷积核/过滤器(filters)的3D卷积运算
      单个过滤器.png
    • 3.2 多个卷积核/过滤器(filters)的3D卷积运算
      多个过滤器1.png
      多个过滤器2.png
    1. 上述卷积过程关系总结
    • 输入图片的通道数目n_c等于卷积核/过滤器的通道数
    • 卷积后得到图片的通道数n_c等于卷积过程中使用的卷积核/过滤器个数
    • 卷积后的输出图片尺寸大小根据上面的公式计算出Q

二、1*1卷积核的作用

    1. 单通道图片上使用1*1的卷积核
      单通道图片上使用1*1卷积核.png
    • 只会在原来的输入图片的像素上乘以一个系数，没有什么直接的效果
    1. 多通道图片上使用1*1的卷积核
      多通道图片上使用1*1卷积核.png
  • 输入是6*6*32的图片，经过1*1*32的卷积核进行卷积运算后，得到的输出图片是6*6*卷积过程中使用的卷积核个数。这样就将输入图片的通道数32改变了，相当于给输入图片进行降维或升维操作。注：输出图片的尺寸，还是根据最开始的公式计算，即Q值的大小。

三、参考博客

卷积神经网络基本计算原理
1*1卷积层的理解

CurryCoder
关注
专栏目录
1*1卷积核的理解
weixin_38410551的博客
01-14 358
可以在不改变分辨率的前提下，提高卷积核提取特征的能力。 能够进行降维和升维。（通道数） 意义：可以完成不同通道的特征图之间信息的融合，提高特征的提取能力。 首先应用于goolenet, Resnet也在用。 参考链接： https://blog.csdn.net/amusi1994/article/details/81091145 ...
2024年运维最全卷积神经网络中1 1卷积的作用_2(1)
05-01 433
卷积核的深度与当前图像的深度相同（即通道数保持相同）。指定卷积核时，只需要指定长宽两个参数，。是大小为的滤波器做卷积操作，不同于2*2、3*3等filter，没有考虑在前一特征层局部信息之间的关系。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。
[深度学习]CNN--卷积神经网络中用1*1 卷积有什么作用
weixin_30646315的博客
02-09 265
1*1卷积过滤器 和正常的过滤器一样，唯一不同的是它的大小是1*1，没有考虑在前一层局部信息之间的关系。最早出现在 Network In Network的论文中 ，使用1*1卷积是想加深加宽网络结构 ，在Inception网络（ Going Deeper with Convolutions ）中用来降维. 由于3*3卷积或者5*5卷积在几百个filter的卷积层上...
笔记小结：卷积神经网络之卷积核的实现
最新发布
小火柴
07-15 544
在上我们，我们给出了卷积核,一个很容易想到的问题是给定XY能否学习出卷积核，答案是肯定的。在10次迭代之后，误差已经降到足够低。现在我们来看看我们[可以发现，1表示由1到0的边缘，0表示有0到1 的边缘。中间四列为黑色（0），其余像素为白色（1）。可以看到，与之间我们设置的结果很接近。实在是行云流水般丝滑）
卷积神经网络中用1*1卷积核的作用
yangguidewxx的博客
09-19 476
1. 降维和升维 比如: **降维**: 一张500*500且厚度depth为100 的图片在20个filter上做1*1的卷积，那么结果的大小为500*500*20。 **升维**: 一张500 * 500且厚度depth为100 的图片在200个filter上做1*1的卷积，那么结果的大小为500*500*200。 2. 加入非线性 卷积层之后经过激励层，1*1的卷积在前一层的学习表示上添加了非线性激励（ non-linear activation ），提升网络的表达能力。 3. 参考网页 http
卷积神经网络中的1x1卷积核的作用
AnneQiQi的博客
01-15 1973
前言 在介绍卷积神经网络中的1x1卷积之前，首先回顾卷积网络的基本概念[1]。 1. 卷积核（convolutional kernel）：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（一般是奇数x奇数）。 卷积核的个数就对应输出的通道数（...
卷积神经网络中1x1卷积的作用
深度学习方面的总结梳理，定期更新
10-03 1484
1x1卷积
俩个卷积神经网络代码.zip_matlab神经网络_wiresg1_卷积神经_卷积神经网络_神经卷积网络
07-15
在压缩包中的"俩个卷积神经网络代码"可能包含了上述所有步骤的MATLAB脚本，用户可以运行这些代码来理解和实践CNN的训练过程。为了更深入地理解并应用这些代码，建议熟悉MATLAB的基础语法以及神经网络工具箱的相关...
卷积神经网络pdf讲义超详细
10-18
### 卷积神经网络(CNN)超详细讲义解析 #### 一、卷积神经网络(CNN)简介 ##### 1.1 卷积神经网络概述 **1.1.1 卷积** - **定义**：卷积是CNN中的核心操作之一，它通过将一个小的权重矩阵（称为卷积核或滤波器）与...
CNN.rar_卷积核_卷积神经_卷积神经网络 MATLAB_卷积网络_神经网络采样
07-14
本资源“CNN.rar”包含的是关于卷积核、卷积神经网络以及相关的MATLAB实现，旨在帮助用户理解和应用卷积网络。 卷积核，也称为滤波器或权值矩阵，是CNN的核心组成部分。它在输入数据上进行滑动运算，提取特征。卷积...
卷积神经网络CNN中1×1卷积作用理解
青衫憶笙
07-11 9617
0.引言 研究 GoogLeNet 和 VGG 神经网络结构的时候，都看见了它们在某些层有采取 1x1 作为卷积核，在最开始看到的AlexNet中都是出现了卷积核是 3x3和5×5的。那么，1x1 的卷积核有什么意义呢？ 最初应用 1x1 卷积核的神经网络是 Network In Network，然后 GoogLeNet 和 VGG 也不约而同的更正了。 他们在论文中解释，大概有下面 2...
如何理解卷积神经网络中的1*1卷积
热门推荐
zhangxu
07-10 5万+
我们都知道，卷积核的作用在于特征的抽取，越是大的卷积核尺寸就意味着更大的感受野，当然随之而来的是更多的参数。早在1998年，LeCun大神发布的LetNet-5模型中就会出，图像空域内具有局部相关性，卷积的过程是对局部相关性的一直抽取。 但是在学习卷积神经网络的过程中，我们常常会看到一股清流般的存在—1*1的卷积！比如在残差网络的直连里： 残差网络的Bootleneck残差模块里： 比如在Go
1*1 的卷积核
weixin_30909575的博客
07-20 111
1、降维（ dimension reductionality ）。1*1 的卷积核是对每个像素点，在不同的channels 进行线性组合（信息组合），调控depth。比如，一张500 * 500且厚度depth为100 的图片在20个filter上做1*1的卷积，那么结果的大小为500*500*20。 2、加入非线性。卷积层之后经过激励层，1*1的卷积在前一层的学习表示上添加了非...
1*1卷积核
TRI_SEVEN的博客
08-22 162
文章目录1 x 1卷积核参考 1 x 1卷积核 如果卷积的输出输入都只是一个平面，那么1x1卷积没有什么意义，它完全不考虑像素与周边其他像素关系。但是卷积的输出输入是长方体，所以1x1卷积实际上是对每个像素点，在不同的channels上的线性组合，且保留了图片的原有平面结构，调控depth，从而完成升维或者降维的功能。 如下图，如果选择2个filters的1x1卷积层，那么数据体就从原来的depth=3降到了2.若用4个filters，则起到了升维作用。 参考 注意看其参考文献 ...
1*1的卷积核的作用
Chaolei3的博客
02-25 3135
参考：https://zhuanlan.zhihu.com/p/22038289?refer=intelligentunit https://iamaaditya.github.io/2016/03/one-by-one-convolution/ http://blog.csdn.net/yiliang_/article/details/60468655 http://blog.csdn.n...
深度学习基础学习-1x1卷积核的作用（CNN中）
小夭的博客
11-09 2万+
1x1卷积核作用
浅谈CNN卷积核的工作原理
weixin_43978703的博客
01-04 2531
之前看过很多次相关的讲解，似懂非懂，还总是忘，这次记下来。 首先明确几个概念： 1、卷积核其实就是一个矩阵（2*2，3*3等等），它的作用就是提取特征 2、CNN网络训练时会初始化卷积核的内的权值，而网络训练的目的就是提高卷积核提取特征的能力 上图左侧是将每一个参数都全连接到每一个神经元上，若输入参数很多，则会导致计算困难，为了简化计算，选择上图右侧的局部感受野，即每个神经元只管一整张图的一部分，只要所有神经元的所管理的部分加起来可以覆盖整张图就可以了。 概念中提到了卷积核的作用是提取特征，也
详细学习1*1卷积核
庆志的小徒弟
10-08 2万+
1*1卷积是大小为1*1的滤波器做卷积操作，不同于2*2、3*3等filter，没有考虑在前一特征层局部信息之间的关系。我们从1*1卷积的两个主要使用来理解其原理和作用。 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...
1×1卷积核的简单讲解
TBTB的博客
06-12 7940
1×1卷积核主要功能是改变通道数目，致使减少计算量。在使用1×1卷积核的过程中，不改变原始图片的宽度和高度，它只是改变了通道数。它同时对原始图片的所有信道进行卷积，融合成一个值，如下图所示： 上图是一个图片的三个通道，通过 1×1卷积核，形成了与原始图片相同高与宽图片，只是通道变为了 1 的 features map，1×1卷积之后的值，如下所示： 以下图为例，我们可以考到，计算量明显减少。 ...
卷积神经网络在图像理解领域的研究进展与应用
图像理解中的卷积神经网络 卷积神经网络（Convolutional Neural Networks, CNN）是一种深度学习算法，在图像理解领域取得了突破性的成果。本文将对卷积神经网络在图像理解中的研究进展和典型应用进行综述。 1. ...
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