3 卷积神经网络CNN

已于 2022-06-20 10:33:18 修改
阅读量970 收藏
点赞数
文章标签： cnn 神经网络
于 2022-03-18 15:09:00 首次发布
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/hnz789/article/details/123572721
版权

图片分类

在这里插入图片描述
在这里插入图片描述
随着参数增加，模型弹性也会增加，也增加了Overfitting的风险

问题一：
怎样把图片当作模型进行输入，怎样避免使用太多的参数
**Step1 **
在这里插入图片描述

  • a neuron 不需要看整张图片，分辨出几个重要的特征

Step2 Simplification
在这里插入图片描述
在这里插入图片描述
Typical Setting
其中kernel size代表长*宽，没有高

  • receptive field是有交集的部分
  • 超出边框范围的是padding
    在这里插入图片描述
    简化Fully Connected Network的方式
    问题二
    同样的pattern可能出现在图片不同区域，解决这个问题是共享参数
    在这里插入图片描述
    在这里插入图片描述
    Typical Setting
    在这里插入图片描述
    总结
    在这里插入图片描述
    大一点的模型偏差不一定是坏事

２　another story introduces CNN

在这里插入图片描述
－filter１进行计算　
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
问题三：pooling–Max pooling

  • 主要目的是减少运算
    在这里插入图片描述

整个CNN

在这里插入图片描述
CNN并不能处理图片放大缩小，旋转的问题 Spatial Transformer Layer

hnz789
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
卷积神经网络常见三层的介绍
qq_40247705的博客
02-01 4443
卷积层：输入与滤波器做元素积，再求和，即得到输出中对应的一个元素（滤波器可以不翻转）。 池化层：每个通道单独池化，其中，一个通道就代表所提取到的一种特征在图片中的分布，值越大，代表这种特征在该区域就越明显，值越小，代表这种特征在该区域几乎没有，池化后的输出也是保持这样。 最常用的是 最大池化，其次是平均池化。 注意：池化层没有参数要进行学习（更新），它只有超参数（人为设置），无权重矩阵和...
卷积神经网络（CNN）
weixin_74825138的博客
03-07 110
卷积层：提取特征池化层：压缩特征这个只演示了一层每个通道各自提取（R,G,B三个通道），整合（三层结果相加）padding是为了让边界点利用次数更多，padding = 1是边界填充一圈0（为什么添加0呢，因为0不会对原结果造成影响）卷积核个数决定得多少个特征图，10个卷积核就是10个特征图maxpool最大池化是选择最大的权重，因为其是最好的特征，就没必要平均池化了（为什么要将最好的特征给平均了呢，没必要吧）只有带参数的东西才能称为一层，例如conv和FC。Relu，pool不算，所以共七层。
卷积神经网络第一章 卷积神经网络
weixin_42234769的博客
05-05 1716
1.1 计算机视觉 一般的CV问题包括以下三类： 图片分类已经见过。 目标检测中首先要计算出图中有哪些物体，再将他们模拟成一个个盒子，以便你的车可以避开他们。 风格转换是用神经网络把你的照片和一张风格照片融合到一起，描绘出一张新的照片，整体轮廓来自左边，风格来自右边。 使用传统神经网络处理计算机视觉的一个主要问题是输入层维度很大，解决方法是用CNN。 1.2 了解卷积：边缘检测示例 我们之前讲...
卷积神经网络模型之——LeNet网络
qq_55766991的博客
07-05 3959
LeNet原文地址：https://ieeexplore.ieee.org/abstract/document/726791 LeNet可以说是卷积神经网络的“HelloWorld”，它通过巧妙的设计，利用卷积、池化等操作提取特征，再使用全连接神经网络进行分类。Lenet是一个 7 层的神经网络（不包含输入层），包含 3 个卷积层，2 个池化层，2 个全连接层。它的网络结构图如下所示： 第0层：输入 输入的原始图像大小是32×32像素的3通道图像。C1是一个卷积层，卷积核大小为5，输入大小为3X32X32，
一文看懂卷积神经网络（CNN）
u011734144的专栏
04-28 1402
1 人工神经网络1.1 神经元    神经网络由大量的神经元相互连接而成。每个神经元接受线性组合的输入后，最开始只是简单的线性加权，后来给每个神经元加上了非线性的激活函数，从而进行非线性变换后输出。每两个神经元之间的连接代表加权值，称之为权重（weight）。不同的权重和激活函数，则会导致神经网络不同的输出。    举个手写识别的例子，给定一个未知数字，让神经网络识别是什么数字。此时的神经网络的输...
卷积神经网络CNN
06-12
讲解CNN基本结构，卷积运算和池化运算
卷积神经网络CNN总结
02-24
从神经网络到卷积神经网络（CNN）我们知道神经网络的结构是这样的：那卷积神经网络跟它是什么关系呢？其实卷积神经网络依旧是层级网络，只是层的功能和形式做了变化，可以说是传统神经网络的一个改进。比如下图中就...
3D 三维卷积神经网络CNN(MATLAB).zip
05-19
3D 三维卷积神经网络CNN(MATLAB).zip 3D 三维卷积神经网络CNN(MATLAB).zip
卷积神经网络CNN进行图像分类_matlab
04-10
资源名：卷积神经网络CNN进行图像分类_matlab 资源类型：matlab项目全套源码 源码说明： 全部项目源码都是经过测试校正后百分百成功运行的，如果您下载后不能运行可联系我进行指导或者更换。 适合人群：新手及有一定...
实验3 卷积神经网络cnn 实验指导书.pdf python
01-05
实验3 卷积神经网络cnn 实验指导书.pdf python （1） 完成神经网络的模型构建； （2） 完成对手写数字分类的算法实现，并阐述流程； （3） 分析可能对损失函数和精确度影响的因素，以及调参的一些经验分享； （4） ...
卷积神经网络4-三维卷积
qq_37031892的博客
10-19 2692
三维认识 三维（RGB三色通道）， 三维卷积 27个参数卷积相乘再求和 几个过滤器，决定了结果矩阵有几层。
神经网络之多维卷积的那些事(一维、二维、三维)
雷恩Layne
07-23 2万+
文章目录前言一维卷积Conv1d二维卷积Conv2d三维卷积Conv3d卷积中的特征图大小计算方式总结 前言 一般来说，一维卷积用于文本数据，二维卷积用于图像数据，对宽度和高度都进行卷积，三维卷积用于视频及3D图像处理领域（检测动作及人物行为），对立方体的三个面进行卷积 。二维卷积的用处范围最广，在计算机视觉中广泛应用。 一维卷积Conv1d 一维卷积最简单，实质是对一个词向量做卷积，如下所示： 图中的输入的数据维度为8，过滤器的维度为5。卷积后输出的数据维度为8−5+1=4 如果过滤器数量仍为1，输入
【学习日记】《深入浅出：图神经网络》：第三天---卷积神经网络
ZZU_chenhao的博客
01-13 1515
卷积神经网络 1. 卷积与池化 1.1 图像中的卷积 我们以图像为例来直观的理解卷积。 计算机中的图像通常都是按照像素点以离散的形式存储的，可以用一个二维或三维的矩阵来表示。假设对于一个二维的图像X∈R^ (HxW)，卷积核为G∈R ^ (kxk)，通常K为奇数。 则有，先将卷积核旋转180度，然后在输入中的对应位置取一个大小为k*k的区域，与旋转后的卷积核求内积，得到对应位置的输出。 1....
卷积神经网络的层数一般超过三层_卷积神经网络CNN的意义
weixin_29116603的博客
01-28 8377
一、选用卷积的原因局部感知简单来说，卷积核的大小一般小于输入图像的大小(如果等于则是全连接)，因此卷积提取出的特征会更多地关注局部 —— 这很符合日常我们接触到的图像处理。而每个神经元其实没有必要对全局图像进行感知，只需要对局部进行感知，然后在更高层将局部的信息综合起来就得到了全局的信息。参数共享参数共享最大的作用莫过于很大限度地减少运算量了。多核一般我们都不会只用一个卷积核对输入图像进行过滤，因...
3D卷积神经网络详解
qq_44289607的博客
03-15 2万+
1 3d卷积的官方详解 2 2D卷积与3D卷积 1）2D卷积 2D卷积：卷积核在输入图像的二维空间进行滑窗操作。 2D单通道卷积 对于2维卷积，一个3*3的卷积核，在单通道图像上进行卷积，得到输出的动图如下所示： 2D多通道卷积 在之前的2D单通道的例子中，我们在一张图像上使用卷积核进行扫描，得到一张特征图。这里的“被扫描图像”是一个通道，而非一张彩色图片。如果卷积核每扫描一个通道，就会得到一张特征图，那多通道的图像应该 被怎样扫...
深度学习之3D卷积神经网络
热门推荐
zlinxi
11-04 4万+
一、概述 3D CNN主要运用在视频分类、动作识别等领域，它是在2D CNN的基础上改变而来。由于2D CNN不能很好的捕获时序上的信息，因此我们采用3D CNN，这样就能将视频中时序信息进行很好的利用。首先我们介绍一下2D CNN与3D CNN的区别。如图1所示，a)和b)分别为2D卷积用于单通道图像和多通道图像的情况（此处多通道图像可以指同一张图片的3个颜色通道，也指多张堆叠在一起的图片，即...
【转载】技术向：一文读懂卷积神经网络
xceman1997的专栏
05-10 3501
原文地址：http://toutiao.com/a4033463198/?tt_from=sina&app=news_article&iid=2585754491&utm_medium=toutiao_android&utm_campain=client_share&utm_source=sinaweibo 自今年七月份以来，一直在实验室负责卷积神经网络（Convolutiona
3层-CNN卷积神经网络预测MNIST数字
吴建明wujianming_110117
02-05 959
3D-CNN卷积神经网络预测MNIST数字 本文创建一个简单的三层卷积网络来预测 MNIST 数字。这个深层网络由两个带有 ReLU 和 maxpool 的卷积层以及两个全连接层组成。 MNIST 由 60000 个手写体数字的图片组成。本文的目标是高精度地识别这些数字。 具体实现过程 导入 tensorflow、matplotlib、random 和 numpy。然后，导入 mnist 数据集并进行独热编码。请注意，TensorFlow 有一些内置的库来处理 MNIST，也会用到它们： 仔细观察
matlab卷积神经网络CNN
最新发布
04-18
卷积神经网络（Convolutional Neural Network，CNN）是一种深度学习模型，广泛应用于图像识别、计算机视觉和自然语言处理等领域。而MATLAB是一种常用的科学计算软件，也提供了丰富的深度学习工具箱，可以用于构建和...

“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
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