CNN卷积神经网络学习笔记2：网络结构

最新推荐文章于 2024-04-16 21:15:46 发布
最新推荐文章于 2024-04-16 21:15:46 发布
阅读量5.2k 收藏 16
点赞数 8
分类专栏： computer vision 文章标签： CNN 神经网络 结构
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/happyer88/article/details/46762919
版权

在上篇笔记《CNN卷积神经网络学习笔记1：背景介绍》中已经介绍过CNN的结构，这篇笔记中，通过一个简单的CNN的例子，梳理一下CNN的网络结构的细节。

以下是一个6层的CNN网络，这个简单的CNN网络是DeepLearning Toolbox里面CNN的一个例子，后面要通过DeepLearning Toolbox中CNN的代码来进一步理解CNN的整个过程。我们输入的是1张大小为28*28的图片。

需要注意的有：

1，这里输入的是一张图片，如果我们输入了50张图片，那么下图中的每一个方框（代表一种特征图）实际上代表了50张图片。

2，在S3和S5的采样层只做了mean pooling，其实一般还会有加偏置和激活的操作，这个CNN网络比较简单，省略了这两步。

3，C4卷积层是用每个卷积核对所有的每一种输入特征图做卷积，再求和得到一种输出特征图，但一般是选择几种输入特征图来做卷积，并不是全部。





July_Zh1
关注
  • 8
    点赞
  • 踩
  • 16
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
专栏目录
SVM通俗详解
WGS.
07-08 8万+
SVM，英文全称为 Support Vector Machine，中文名为支持向量机，由数学家Vapnik等人早在1963年提出。在深度学习兴起之前，SVM一度风光无限，是机器学习近几十年来最为经典的，也是最受欢迎的分类方法之一。 1 SVM与“三八线” 不少人在初识SVM时会感觉到高深难懂。现在，就从你我熟知的“三八线”来走进SVM的思想内涵。 回忆下小时候，同桌同学经常会用粉笔或是小刀在课桌中间划一条“三八线”将课桌一分为二。大家约定好每个人只能在自己的那半课桌领域活动，谁也不能越界，越界是小猪、小狗。
【机器学习】支持向量机 SVM（非常详细）
yishuihanq的博客
07-16 5844
【机器学习】支持向量机 SVM（非常详细） 【机器学习】支持向量机 SVM（非常详细） 阿泽 复旦大学 计算机技术硕士 创作声明：内容包含虚构创作 SVM 是一个非常优雅的算法，具有完善的数学理论，虽然如今工业界用到的不多，但还是决定花点时间去写篇文章整理一下。 1. 支持向量 1.1 线性可分 首先我们先来了解下什么是线性可分。 在二维空间上，两类点被一条直线完全分开叫做线性可分。 严格的数学定义是： 1.2 最大间隔超平面 1.3 支持向量 .
卷积神经网络的结构组成与解释（详细介绍）
最新发布
不要给自己设限，尝试更多可能（思所向 皆可往）
04-16 2757
卷积神经网络是以卷积层为主的深层网络结构，网络结构包括有卷积层、激活层、BN层、池化层、FC层、损失层等。卷积操作是对图像和滤波矩阵做内积（元素相乘再求和）的操作。1、卷积层卷积操作解释图解标准卷积一般采用3x3、5x5、7x7的卷积核进行卷积操作分组卷积将输入特征图按通道均分为 x 组，然后对每一组进行常规卷积，最后再进行合并。空洞卷积为扩大感受野，在卷积核里面的元素之间插入空格来“膨胀”内核。
详解SVM
芒果干的博客
10-29 7522
本文目录详解SVM一、什么是SVM1. SVM定义2. 函数间隔和几何间隔（1）函数间隔（2）几何间隔3. 支持向量二、 详解SVM 一、什么是SVM SVM是一种二类分类模型，与感知机不同的是，他的基本模型是定义在特征空间上的间隔最大的线性分类器。支持向量机还包括核技巧，使他成为实质上的非线性分类器。 一句话总结：SVM就是通过监督学习来解决二分类问题 1. SVM定义 线性可分支持向量机：给定线性可分训练数据集，通过间隔最大化或等价的求解相应的凸二次规划问题学习得到的分离超平面为 w∗⋅x+b∗=0 w
python机器学习之SVM（支持向量机）实例
柳小葱的博客
04-12 1万+
其实在很早以前写过一期SVM,只不过当时对SVM只是初步的了解，现在重新来看，其实SVM还是有很多值得学习的地方。 1.SVM介绍 SVM可以理解为：使用了支持向量的算法，支持向量机是一种基于分类边界分界的方法。以二维数据为例，如果训练数据分布在二维平面上的点，它们按照其分类聚焦在不同的区域。基于分类边界的分类算法的目标：通过训练，找到这些分类之间的边界（如果是直线的，称为线性划分，如果是曲线的，称为非线性划分）。 过程如上述三个图，SVM就是试图把棍放在最佳的位置上，最好让棍两边有尽可能大的间隙，这
机器学习：支持向量机（SVM）
燕双嘤
11-06 17万+
1，概述 1.1，概念 支持向量机（SVM）是一类按监督学习方式对数据进行二元分类的广义线性分类器，其决策边界是对学习样本求解的最大边距超平面，可以将问题化为一个求解凸二次规划的问题。与逻辑回归和神经网络相比，支持向量机，在学习复杂的非线性方程时提供了一种更为清晰，更加强大的方式。 具体来说就是在线性可分时，在原空间寻找两类样本的最优分类超平面。在线性不可分时，加入松弛变量并通过使用非线性映射将低维度输入空间的样本映射到高维度空间使其变为线性可分，这样就可以在该特征空间中寻找最优分类超平面。 SV
CNN笔记：通俗理解卷积神经网络
01-08
卷积神经网络（CNN）笔记 CNN笔记：通俗理解卷积神经网络 卷积神经网络（CNN）是一种深度学习算法，能够模拟人脑对图像的识别和处理能力。下面是对CNN的通俗理解笔记： 神经元 神经网络由大量的神经元相互连接而...
5-机器学习系列（5）：卷积神经网络CNN之--原理及python实现1
08-03
在本系列先前的个人笔记中，我们将深度神经网络应用于识别猫，虽然取得了不错的效果，但是训练分类器的时间较长，本次我们将介绍卷积神经网络（CNN），这种流行的网络结构广泛应用于计算机视觉领域，并取得了很好的...
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...
tensorflow学习笔记之mnist的卷积神经网络实例
09-20
在本篇TensorFlow学习笔记中，我们探讨了一个用于识别MNIST手写数字的卷积神经网络（CNN）实例。MNIST数据集是一个广泛使用的图像识别数据集，包含0到9的手写数字，每张图像是28x28像素的灰度图像。以下是构建这个...
CS231n课程笔记翻译：卷积神经网络笔记1
08-03
卷积神经网络（CNNs/ConvNets）是一种专门针对图像数据设计的深度学习模型，其结构和传统神经网络有显著的区别。CNNs利用卷积层、汇聚层和归一化层等特性，有效地处理图像数据，减少参数数量，提高模型的泛化能力和...
SVM算法的介绍
Despicable_Me的博客
06-03 7775
SVM（Support Vector Machine）是一种常见的监督学习算法，用于进行二分类或多分类任务。它的主要思想是找到一个最优的超平面，将不同类别的样本分隔开。超平面最大间隔介绍：上左图显示了三种可能的线性分类器的决策边界：虚线所代表的模型表现非常糟糕，甚至都无法正确实现分类。其余两个模型在这个训练集上表现堪称完美。但是它们的决策边界与实例过于接近，导致在面对新实例时，表现可能不会太好。右图中的实线代表SM分类器的决策边界，不仅分离了两个类别，且尽可能远离最近的训练实例。
机器学习之支持向量机（SVM）原理详解、公式推导（手推）、面试问题、简单实例（sklearn调包）
如果没有躺赢的命，那就站起来奔跑，你的努力一定会对得起这一路的颠沛流离。
02-07 1万+
主要内容分为理论推导和代码实现以及面试宝典三个部分。 理论推导主要是SVM的原理以及线性SMO算法的推导，也提了一下核函数和软间隔的理论，在推导之前还引入了拉格朗日乘子法、超平面、对偶问题的介绍。 代码实现包括sklearn调用，有几个对应实例。 面试宝典是一部分《机器学习》中的课后习题和一些《百面机器学习》的面试题，由公式推导和理论解答。
机器学习算法（一）SVM
热门推荐
学习 & 分享 ~
06-02 25万+
支持向量机（support vector machines，SVM）是一种二分类模型，它将实例的特征向量映射为空间中的一些点，SVM 的目的就是想要画出一条线，以 “最好地” 区分这两类点，以至如果以后有了新的点，这条线也能做出很好的分类。SVM 适合中小型数据样本、非线性、高维的分类问题。SVM 最早是由 Vladimir N. Vapnik 和 Alexey Ya. Chervonenkis 在1963年提出，目前的版本（soft margin）是由 Corinna Cortes 和 Vapnik 在1
介紹卷积神经网络（CNN）模型结构
literacy_wang的博客
10-30 5874
介紹卷积神经网络（CNN）模型 1 CNN的基本结构 ​ 一个常见的CNN例子如下图： 这是一个图像识别的CNN模型。最左边的船就是我们的输入层，计算机可理解为若干个矩阵。 接下来就是卷积层（Convolution Layer），这是CNN特有的。卷积层所使用的激活函数是ReLU。 ReLU(x)=max(0,x)。在卷积层后面是池化层（Pooling layer），这个也是CNN特有的，池化层没有激活函数。 上图中卷积层+池化层出现了两次，其实这些次数可以根据模型的需要来变换，也可灵活使用卷
One PUNCH Man——深度学习入门
No_Game_No_Life_的博客
05-06 1625
文章目录人类视觉原理从神经网络到卷积神经网络（CNN）数据输入层卷积计算层卷积的计算参数共享机制激励层池化层全连接层CNN优缺点卷积神经网络的常用框架 人类视觉原理 深度学习的许多研究成果，离不开对大脑认知原理的研究，尤其是视觉原理的研究。 1981 年的诺贝尔医学奖，颁发给了 David Hubel（出生于加拿大的美国神经生物学家） 和TorstenWiesel，以及 Roger Sperry。...
卷积神经网络（CNN）网络结构及模型原理介绍
stephon_100的博客
06-24 9830
卷积神经网络（CNN）网络结构模型构建及介绍
神经网络与卷积神经网络结构概述——神经网络入门
qq_43722079的博客
08-12 3368
一、神经网络与卷积神经网络 这里我们构建一个两层神经网络，理论上两层神经网络已经可以拟合任意函数。这个神经网络的结构如下图： 首先去掉图1中一些难懂的东西，如下图： 1. 输入层 在例子中，输入层是坐标值，例如（1,1），这是一个包含两个元素的数组，也可以看作是一个 1×2 的矩阵。输入层的元素维度与输入量的特征息息相关，如果输入的是一张 32×32 像素的灰度图像，那么输入层的维度就是 32×32。 2. 从输入层到隐藏层 连接输入层和隐藏层的是 W1 和 b1。由X计算得到 H 十分简单，就
CNN基础知识笔记
zxmyoung的博客
10-24 1万+
1. 卷积神经网络的概念 上世纪60年代，Hubel等人通过对猫视觉皮层细胞的研究，提出了感受野这个概念，到80年代，Fukushima在感受野概念的基础之上提出了神经认知机的概念，可以看作是卷积神经网络的第一个实现网络，神经认知机将一个视觉模式分解成许多子模式（特征），然后进入分层递阶式相连的特征平面进行处理，它试图将视觉系统模型化，使其能够在即使物体有位移或轻微变形的时候，也能完成识别。 卷积神经网络是多层感知机（MLP）的变种，由生物学家休博尔和维瑟尔在早期关于猫视觉皮层的研究发展而来，视觉皮层的
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":...

“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 2
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