卷积神经网络发展

最新推荐文章于 2024-07-31 22:43:56 发布

hongyesuifeng

最新推荐文章于 2024-07-31 22:43:56 发布

阅读量571

点赞数

分类专栏： python 机器学习

本文链接：https://blog.csdn.net/hongyesuifeng/article/details/108454611

版权

本文回顾了卷积神经网络（CNN）的重要里程碑，包括LeNet、AlexNet、VGGNet、ResNet、DenseNet、GoogLeNet和ResNeXt等模型。LeNet作为早期的CNN，由Yann LeCun在1994年提出，包含7层网络结构，通过卷积和池化进行特征提取。后续的模型如AlexNet进一步推动了深度学习发展，而VGGNet、ResNet等则在深度和网络结构上进行了创新，提高模型性能。

摘要由CSDN通过智能技术生成

LeNet

LeNet 诞生于 1994 年，是最早的卷积神经网络之一，并且推动了深度学习领域的发展。自从 1988 年开始，在许多次成功的迭代后，这项由 Yann LeCun 完成的开拓性成果被命名为 LeNet5。
下面是LeNet的网络结构
在这里插入图片描述
不计算输入层，LeNet-5一共是一个7层的神经网络。中间有提取特征的卷积层，也有降维的pooling层，最后经过三个FC全连接层得到输出。首先给出卷积&池化计算之后尺寸的计算公式
$N = (W - F + 2 P) / S + 1$
其中，数据维度为W*W，Filter大小为 F×F，S：步长P：padding的像素数。通过上述公式就可以计算每次卷积&池化之后的数据的尺寸情况了。下面看下几个网络中几层的情况：
C₁层有6个卷积核，每个卷积核是 $5 * 5$ 的尺寸，所以经过卷积后的尺寸为 $(32 - 5 + 0) / 1 + 1 = 28$ ，有6个卷积核，则经过C1层后的输出后 $6 @ 28 * 28$ 。
S₂层为降采样的pooling层，pooling层的采样层尺寸为 $2 * 2$ 的采样层，步长S为2，所以同理可以计算得到S₂层的输出结果为 $6 @ 14 *$