深度学习（7）卷积神经网络

最新推荐文章于 2023-10-23 22:46:09 发布
最新推荐文章于 2023-10-23 22:46:09 发布
阅读量800 收藏 8
点赞数 2
分类专栏： # 深度学习 文章标签： 深度学习 神经网络 人工智能 cnn
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/great_yzl/article/details/120443643
版权

目录

一、卷积神经网络

1、卷积层：提取图像底层特征

2、池化层：防止过拟合，且将数据维度减小

3、全连接层：汇总卷积层和池化层得到的图像的底层的特征和信息

4、最后进行输出

二、卷积 

1、感受野 

2、外层补零（padding） 

2、特征图（结果图）

3、三维卷积

卷积核应用

1、平均卷积核（模糊）

2、锐化卷积核（边缘检测）

三、池化

池化作用

最大池化与平均池化

四、全连接层

五、卷积网络（过程）​

图像卷积神经网络

1、卷积（提取特征） 

2、池化（防止过拟合）

3、全连接

一、卷积神经网络

1、卷积层：提取图像底层特征

2、池化层：防止过拟合，且将数据维度减小

3、全连接层：汇总卷积层和池化层得到的图像的底层的特征和信息

4、最后进行输出

 

二、卷积 

提取特征。 

1、感受野 

 感受野：卷积核光顾到的地方 。（感受到的视野） 

 

2、外层补零（padding） 

外层补0，防止原来最外层的元素访问次数过少。（中间的访问次数最多） 

2、特征图（结果图）

原图和卷积核做卷积，得到结果（特征图）：

有多少个卷积核就有多少个feature map 。

3、三维卷积

三维图像卷积（立体卷积）：

卷积核应用

1、平均卷积核（模糊）

2、锐化卷积核（边缘检测）

三、池化

池化作用

池化也叫下采样 

1、减少参数量

2、防止过拟合

简而言之，就是在减小参数的同时，保留原始特征，防止过拟合。

最大池化与平均池化

四、全连接层

全连接层：每一层都和上一层所有神经元相连。 （全连接层：最后一层与倒数第二层）

作用：用来把前面提取到的特征综合起来。

（而感受野每次只关注一部分区域，所以是部分连接）

 

五、卷积网络（过程）

举例：手写数字识别 

1、手写数字转灰度图

2、第一次卷积（得到多个特征图）

3、第一次池化（保留特征的同时减少数据量，防止过拟合）

4、第二次卷积（得到更多特征图）

5、第二次池化（保留特征的同时减少数据量，防止过拟合）

6、第一全连接层

7、第二全连接层

8、softmax层，得到结果

图像卷积神经网络

1、卷积（提取特征） 

比如需要检测眼睛，那么卷积核为眼睛，卷积到原图的眼睛时，就会变成1，其他为0。 

（注：卷积核不是人工规定的，而是机器学习学到的）

卷积到眼睛（100）： 

没卷积到眼睛（0）： 

2、池化（防止过拟合）

在保留原始特征的情况下，减少数据量，防止过拟合。（也具有平移不变性） 

（注：如果需要精确定位到眼睛的位置的话，则不能用池化层，池化层对于眼睛的位置模糊了 ）

3、全连接

得到最终结果。

_(*^▽^*)_
关注
  • 2
    点赞
  • 踩
  • 8
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
卷积神经网络减小过拟合方法
善心怡
08-08 9534
卷积神经网络减小过拟合方法 防止过拟合的方法有三类：（1）人为增加数据集；（2）正则化；（3）Dropout。 人为增加数据集 在原有在训练图像识别的深度神经网络时，使用更多的图像数据集训练的模型会使训练的网络具有更好地泛化性能，减小过拟合。 增加图像数据集的方法是对原始图片进行旋转、镜像。 正则化 正则化有两种方法：L1正则化和L2正则化。 1、L1正则
使用卷积计算移动平均值
weixin_34319374的博客
12-29 1163
　　CSV（Comma-Separated Value，逗号分隔值）格式是一种常见的文件格式。NumPy中的loadtxt函数可以方便地读取CSV文件，自动切分字段，并将数据载入NumPy数组。  　　我们以某公司的历史股价数据为例展开叙述。股价数据存储在CSV文件中，第一列为yyyy-mm-dd格式的日期，随后各列依次是收盘价、成交量、开盘价、最高价、最低价。下面为前几行数据：  　　我们只关...
深度学习入门之第七章 卷积神经网络
YYLin
02-24 825
前言：现在深度学习是现在深度学习中一直在用的一项技术，本章主要将卷积神经网络的三个部分。 第一：（CNN）卷积神经网络的基本运算（原理与源码实现） 第二：（CNN）中池化层的原理与源码实现 第三：（CNN）卷积操作的可视化   # （CNN）卷积神经网络的基本运算  OK 这是从百度上找到的一张CNN的运算过程git, 就拿这张图进行分析吧 CNN的运算是由三个部分组成的，第一部分...
卷积神经网络 II（Convolutional neural networks II）
XiaoLinzzz‘s Bolg
08-21 196
降采样是将数据从一个高的采样率减少到一个低的采样率的过程。在图像处理中，降采样通常指的是减少图像的尺寸，这意味着去除图像中的某些像素以得到一个更小的版本。Image whitening (图像白化): 将每张图像缩放到0-255的范围，然后归一化，使得每个像素的均值为0，（可选的）标准差为1。因此，在实践中选择的批次大小通常取决于可用的硬件资源，尤其是GPU或CPU的内存。当验证损失不再下降时停止训练：这通常是一个早停准则，当模型在验证集上的性能不再提高时，停止训练可以防止过拟合。ceil：向上取整。
CNN卷积神经网络学习笔记
TZZtangtangtang的博客
09-04 511
卷积神经网络应用领域 检测任务 追踪任务 分类检索 超分辨率重构 医学任务 无人驾驶 人脸识别 卷积的作用 卷积神经网络与传统网络区别 传统神经网络（nn） 特征是二维的 CNN 特征是三维的，直接输入原始数据 卷积神经网络的整体架构 输入层 卷积层 池化层 全连接层 输入层 图像数据，例如：28x28的数据 卷积层 提取特征 计算过程 将图像进行一个分割，分成多个小块，目的是在不同的区域，得到的特征不一样。 卷积特征值计算方法 图像颜色通道 一张图是三维的，分为R,G,B三个通道分别单独
高斯卷积核
最新发布
weixin_73371876的博客
10-23 1314
假设当前卷积核的σ设置为2，根据2*3σ+1计算得到该卷积核的宽度为7。但是，在进行归一化的过程中，模板尺寸越大，高斯函数与模板相乘得到的趋近于0的值就越多，归一化后的结果就越小，进而卷积核中心的最大的像素与周围相差的也就越小，得到的图像越平滑。由此可见，有时候使用标准差较小的卷积核连续做多次卷积的时间复杂度小于用标准差较大的卷积核做1次卷积的时间复杂度。使用平均卷积核通常是为了达到让图像变得模糊的效果，但是，当原图像乘以该卷积核时，有时会令原图像上产生水平和竖直的条状，这种现象被称为振铃，如下图所示。
深度学习与卷积神经网络
02-25
本文来自于个人微博，本文通过几种比较流行的卷积神经网络的结构图，简单的介绍了卷积审计网络的定义。简单来说，卷积(或内积)就是一种先把对应位置相乘然后再把结果相加的运算。(具体含义或者数学公式可以查阅相关...
深度学习及卷积神经网络综述
03-28
想要了解深度学习以及卷积神经网络的人群，学完会有个质的飞跃
深度学习之卷积神经网络
03-27
卷积神经网络（Convolutional Neural Networks, CNN）是一类包含[卷积](https://baike.baidu.com/item/卷积/9411006)计算且具有深度结构的[前馈神经网络](https://baike.baidu.com/item/前馈神经网络/7580523)...
深度学习——卷积神经网络
01-20
卷积神经网络 文章目录卷积神经网络一、卷积神经网络基础1.基础知识2.卷积层的简洁实现3.池化二、LeNet三、常见的一些卷积神经网络1.AlexNet2.VGG3.NiN4.GoogLeNet   一、卷积神经网络基础 1.基础知识 二维互相关...
Opencv图像处理 图像噪点与降噪 形体学变换
weixin_45758909的博客
12-15 8150
图像阈值 进行图像阈值处理主要的使用图像是二值图。 例如如果需要讲灰度图转换为二值图，比如我们感兴趣的区域灰度在[128,256]，不感兴趣的的范围灰度值在[0,127]，此时我们可以将[127,256]范围转换为白色(逻辑1)，将[0，126]转换为黑色(逻辑0)。而阈值的设定就是用于区分逻辑1与逻辑0之间的界限。 简单阈值 直接设定阈值用于判断，使用内置函数cv2.threshold ret,dst = cv2.threshold(src, thresh, maxval, type[, dst])
卷积、平均池化、最大池化
qq_41289353的博客
02-10 2495
卷积、平均池化、最大池化_宁静致远*的博客-CSDN博客_平均卷积参考https://blog.csdn.net/cqhblg/article/details/89074292https://blog.csdn.net/sunflower_sara/article/details/813220481 卷积通俗点说：卷积在图像处理中的应用就是用一个模式矩阵和原图像矩阵相乘，得到一个新的矩阵作为卷积结果。（核：指一组权重的集合，它会应用在源图像的一...https://blog.csdn.net/weixin_
最容易理解的对卷积(convolution)的解释
热门推荐
bitcarmanlee的博客
01-25 30万+
啰嗦开场白读本科期间，信号与系统里面经常讲到卷积(convolution)，自动控制原理里面也会经常有提到卷积。硕士期间又学了线性系统理论与数字信号处理，里面也是各种大把大把卷积的概念。至于最近大火的深度学习，更有专门的卷积神经网络(Convolutional Neural Network, CNN)，在图像领域取得了非常好的实际效果，已经把传统的图像处理的方法快干趴下了。啰啰嗦嗦说了这么多卷积，惭
pytorch 用卷积来表示平均池化
qq_44846512的博客
02-04 842
我们知道平均池化的作用就是kernel_size大小的池化窗口在特征图上滑动，池化窗口覆盖到的特征图的值相加后平均作为该覆盖区域的值输出。如果我们用卷积的操作去表示平均池化，卷积的权重可以表示为(假设为二维数据，kernel_size=3)： 此时卷积核的权重不再是可训练参数。 代码实现： # 定义卷积核的权重参数 def define_Conv_to_Avg2d(in_channel,out_channel,kernel_size): if isinstance (kernel_size,int
变形卷积核、可分离卷积？卷积神经网络中十大拍案叫绝的操作。
mmc2015的专栏
08-31 2万+
总结的非常好，故转来，如果侵权，请告知，会及时删掉。 大家还是去看原文好，作者的文章都不错： https://zhuanlan.zhihu.com/p/28749411 https://www.zhihu.com/people/professor-ho/posts 写文章 变形卷积核、可分
【深度学习】5：CNN卷积神经网络原理
zzZ_CMing的博客
01-29 2万+
前言：先坦白的说，深度神经网络的学习在一开始对我造成的困扰还是很大的，我也是通过不断地看相关的视频资料、文献讲解尝试去理解记忆。毕竟这些内容大多都是不可查的，我们看到的都只是输入输出的东西，里面的内部运作以及工作原理，都需要沉心静思。这篇CNN卷积神经网络的原理介绍，也是自己通过收集来的资料阅读、理解、操练后，有了一定的见解后才拙笔，里面的内容我会尽量详尽，不清楚明白的地方，望大家慧眼指出。 –—
人工智能知识全面讲解：卷积神经网络
Lee达森的博客
06-29 1972
11.2.1 卷积运算因为运算能力受到了限制，所以只有运算量小的方法才有可能提取图像的 特征。仔细思考我们会发现，图像特征的表现有一个很显然的特点，就是在 图像中特征边缘的像素点的颜色通常都是变化较大的 。实际上我们没有必要 扫描整幅图像来学习特征，只需要找到这些边缘变化大的地方就能够发现物体 的特征。于是我们从数学领域寻找有没有合适的方法能够帮助我们表达像素变 化较大的边缘，如果能找到这样的方法就能够通过运算直接找出物体的特征。 幸运的是，人们发现“卷积运算”能够提取图像的边缘与特征。 在第7章我们讲过神
卷积神经网络提取的图像特征包括哪些
ynca67269的博客
09-02 1133
卷积神经网络（ConvolutionalNeuralNetwork,CNN）是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。[1] 它包括卷积层(alternatingconvolutionallayer)和池层(poolinglayer)。卷积神经网络是近年发展起来，并引起广泛重视的一种高效识别方法。
卷积核是什么
qq_42475721的博客
04-14 2611
卷积核 在进行卷积计算的时候，卷积核就相当于传统图像处理中各种特征提取的算子，只不过在传统图像处理中，这些特征处理的算子都是人工设计的，而深度学习中的卷积核（特征提取算子）是通过学习获得的。 ...
深度学习和卷积神经网络
08-25
### 回答1： 深度学习是一种以模型来了解数据的机器学习技术，它利用多层神经网络来学习复杂的数据，从而实现自动的特征提取和分类等功能。卷积神经网络是一种深度学习技术，它利用卷积运算来学习图像和视频信息，实现对图像和视频的自动分析、识别和分类等功能。 ### 回答2： 深度学习是人工智能领域中的一种学习方法，旨在模拟人脑神经网络的工作原理。它通过建立多层的神经网络结构，利用大量数据进行训练，自动提取和学习特征，从而实现对复杂数据的分析和处理。深度学习的目标是通过不断优化网络结构和参数，使得网络能够自动地从数据中学习到更加高层次、抽象的特征表示。 而卷积神经网络（Convolutional Neural Network，CNN）是深度学习中的一种重要网络结构。CNN主要用于处理具有网格结构的数据，例如图像、视频等。它通过卷积操作和池化操作，对输入数据进行特征提取和降维处理。卷积操作通过滑动的卷积核对数据进行卷积运算得到感知层，用于提取局部特征。而池化操作则通过降采样的方式减少数据维度，提高计算效率。 卷积神经网络的优势主要体现在以下几个方面：首先，卷积操作使得网络能够有效地利用输入数据的空间结构信息，从而减少参数数量，提高网络的泛化能力；其次，卷积神经网络通过多层结构，逐渐提取抽象的特征表示，能够处理具有复杂结构和高维度的数据；最后，卷积神经网络在图像识别、目标检测、语音识别等任务上表现出色，并在多个领域取得了重大突破。 总的来说，深度学习是一种模拟人脑神经网络的学习方法，通过建立多层网络结构从数据中获取高层次、抽象的特征表示。而卷积神经网络作为深度学习中的一种网络结构，在处理具有网格结构数据时具有重要作用，通过卷积和池化操作能够从图像等数据中提取特征、降维处理，广泛应用于图像识别、目标检测等领域。 ### 回答3： 深度学习是一种机器学习的方法，通过多层次的神经网络来学习和提取数据的特征。它模拟了人脑中神经元之间的信息传递和处理过程，具有优秀的自适应能力和泛化能力。 深度学习的核心是神经网络，而卷积神经网络（Convolutional Neural Network, CNN）是深度学习中的一类神经网络结构。它专门应用于处理图像和语音等具有结构化数据的任务。 卷积神经网络的特点是层次化的结构，通常由输入层、卷积层、池化层和全连接层等组成。其中，卷积层通过卷积操作对输入图像进行特征提取，可以捕捉到不同位置的局部特征。而池化层则通过降采样的方式减少计算量，提高特征的不变性。 卷积神经网络通过反向传播算法进行训练，不断调整网络参数以使得网络输出与真实标签之间的误差最小化。训练过程中需要大量的标注数据和计算资源，但是在训练完成后，卷积神经网络可以快速地对新的输入进行预测。 深度学习和卷积神经网络在计算机视觉领域取得了很大的成功，例如图像分类、目标检测、人脸识别等任务。它们不仅可以自动地提取出图像中的关键特征，还可以学习到更加复杂的特征表示。此外，深度学习和卷积神经网络也在自然语言处理、语音识别等领域得到广泛应用。 尽管深度学习和卷积神经网络在很多任务上表现出色，但是其模型复杂度高、计算资源需求大，且对标注数据的依赖程度较高。因此，研究者们一直在努力寻求更高效的算法和更好的架构来解决这些问题，以进一步提升深度学习和卷积神经网络的性能和应用范围。

“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
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

打赏作者

_(*^▽^*)_

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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