深度学习CNN一点浅薄的学习笔记

最新推荐文章于 2024-02-02 13:49:06 发布
最新推荐文章于 2024-02-02 13:49:06 发布
阅读量121 收藏
点赞数
分类专栏： 吴恩达深度学习 文章标签： 卷积
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/hxzy_mf/article/details/116138541
版权
这篇博客是关于吴恩达深度学习课程中CNN的笔记，涵盖了CNN的引入、边缘检测、padding、stride、立体卷积、简单卷积网络结构、池化层以及LeNet-5示例。博主详细解释了卷积神经网络在处理图像识别时如何通过卷积、滤波器、padding和步长来提取特征，并介绍了最大池化和平均池化的作用。
摘要由CSDN通过智能技术生成

吴恩达深度学习CNN1.1节：引入CNN
主要讲的是引入CNN，然后说的是对目标的检测。总结一下就是：利用神经网络输出批量实数来识别图片中的对象是个非常有用的算法。视频里面详细介绍了步骤和过程。但是当应用在大尺寸的图片上，输入规模将变得十分庞大，使用神经网络将会有非常多的参数需要去学习，这个时候神经网络就不再适用。然后发现，卷积神经网络在计算机视觉问题上是一个非常好的网络结构。由此引入CNN。

吴恩达深度学习CNN1.2节：边缘检测
这一节讲的是边缘检测，讲了垂直边缘检测和水平边缘检测。
这两个图片是两个滤波器，也叫卷积核。左边的图片是用来垂直检测的，右边的图片是水平检测。具体的原因视频里面都解释的很详细。主要是卷积的原因。
这两个图片是两个滤波器，也叫卷积核。左边的图片是用来垂直检测的，右边的图片是水平检测。具体的原因视频里面都解释的很详细。主要是卷积的原因。
对于复杂的图片，我们可以直接将filter（这个filter是卷积核，也可以称之为滤波器。跟我们在其他课程上学的差不多）中的数字直接看作是需要学习的参数，其可以学习到对于图片检测相比上面filter更好的更复杂的filter，如相对于水平和垂直检测器，我们训练的 filter 参数也许可以知道不同角度的边缘。

吴恩达深度学习CNN1.3节：padding（补充）
padding是补充，填充。就是我们在卷积的时候，边缘信息只能被利用到一次，可能会丢失掉有用信息。而中间的信息却可以多次利用，不会丢失信息，因此有了填充。还有就是&#

最低0.47元/天 解锁文章
hxzy_mf
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
深度学习知识点全面总结
专注大数据与人工智能技术分享，欢迎私信加群互相学习！
01-05 24万+
本文详细介绍深度学习概念及原理，参考网上相关资料汇总，内容包含众多章节，包括神经网络基础及常见深度学习网络结构介绍，用于个人学习总结，适合深度学习初学者学习。同时介绍机器学习常见的分类算法：SVM、神经网络、随机森林、逻辑回归、KNN、贝叶斯。常见的监督学习算法：感知机、SVM、人工神经网络、决策树、逻辑回归.........
深度学习笔记-------CNN算法
要银河 不要迎合
09-06 866
计算机视觉的应用领域。
(W-F+2P)/S+1不能为小数，必须是整数
zhuiyunzhugang的博客
09-02 1129
例如：W=10，P=0且滤波尺寸F=3，则S不可能等于2（因为（W-F+2P）/S+1=（10-3+0）/2+1=4.5，4.5不是整数）。因此，这样设置超参数是无效的且卷积网络库将抛出异常。合适地设置卷积网络的大小使得所有维度都“有用”是一件头疼的事，而用补0和一些设计方法会显著缓解。...
CNN基础
weixin_47214888的博客
11-17 94
转载自CNN基础_fun1024-CSDN博客 1. 计算机视觉 （Computer Vision） 一般的CV问题包括以下三类： 1. 图像分类（Image Classification） 2. 目标识别（Object detection） 3. 神经风格转换（Neural Style Transfer） 使用传统神经网络处理机器视觉的一个主要问题是输入层维度很大。如果图片尺寸较大，例如一张1000x1000x3的图片，神经网络输入层的维度将达到3百万，使得网络权重W非...
学习分享：CNN（持续更新）
liz_Lee的博客
06-14 988
目录1 基本信息2 计算2.1 一次卷积后特征图大小2.2 感受野RF 1 基本信息 输入图尺寸：n*n 滤波器/卷积核尺寸：k*k（奇数） 填充padding大小：p 步长stride大小：s 2 计算 2.1 一次卷积后特征图大小 先把图n填充p，图尺寸变为： （n+2p）*（n+2p） 把卷积核k放入图n+2p上，还剩： （n+2p）-k格 每步s，需要走： （n+2p-k）/s步 刚开始算1个值，每走一步算1次，总共算： （n+2p-k）/s+1次 1次卷积，最终输出特征图尺寸为
卷积神经网络(Convolutional Neural Networks)介绍
Frobot的博客
01-30 748
卷积神经网络(Convolutional Neural Networks)介绍 注：本文的图片来自于吴恩达的网络教学视频截图 1. 卷积操作 总结 1）上图示例中，输入是一张6x6的图像，与一个3x3的核(过滤器）进行卷积运算，输出是一个4x4的"特征图"。该示例演示了如何从图像中提取"垂直边缘"这一特征。这些"核"又被称为过滤器，过滤器的size一般为奇数,比如3x3、5x5、7x7等，不同的过滤器可以从输入图像中提取出不同的特征。 2）卷积运算的具体流程为： 步骤1：将过滤器的左上角对齐输入图像的左上
CNN笔记：通俗理解卷积神经网络
热门推荐
结构之法 算法之道
07-02 82万+
2012年我在北京组织过8期machine learning读书会，那时“机器学习”非常火，很多人都对其抱有巨大的热情。当我2013年再次来到北京时，有一个词似乎比“机器学习”更火，那就是“深度学习”。本博客内写过一些机器学习相关的文章，但上一篇技术文章“LDA主题模型”还是写于2014年11月份，毕竟自2015年开始创业做在线教育后，太多的杂事、琐碎事，让我一直想再写点技术性文章但每每恨时间抽不开。然由于公司在不断开机器学习、深度学习等相关的在线课程，耳濡目染中，总会顺带着学习学习。
深度学习笔记：CNN+RNN+LSTM
weixin_47113960的博客
05-29 2363
卷积神经网络（Convolutional Neural Network, CNN） 参考博客：https://easyai.tech/ai-definition/cnn/ CNN 是一种前馈神经网络，通常由卷积层（Convolutional Layer），池化层（Pooling Layer）和全连接层（Fully Connected Layer，对应经典的 NN）组成。卷积层负责提取图像中的局部特征；池化层用来大幅降低参数量级(降维)；全连接层类似传统神经网络的部分，用来输出想要的结果。 2大特点： 能够
基于深度CNN的股票量化策略学习笔记
STDRsl的博客
02-02 975
参考资料：Sezer， Omer & Ozbayoglu， Murat.（2018）. 基于深度卷积神经网络的算法金融交易：时间序列到图像转换方法.应用软计算。这篇论文讨论了将计算每天具有不同窗口大小的技术指标，然后将每天的指标转换为图像，并将其提供给卷积神经网络进行训练。实现对表格形式的股票趋势进行图像分类，这确实是一个有趣的思路，故而此文尝试实现，并且罗列一些遇到的问题。
动手学深度学习笔记
pi_kaqiu的博客
12-04 1119
简写：i —— 预测的类别；o —— 置信度；σ —— 激活函数；H —— 隐藏层输出超参数：学习率η，batchsize，epoch，num_workers，隐藏层数，每层隐藏层大小，正则项λ（控制模型容量），丢弃概率，核矩阵大小，填充，步幅，输出通道数；常用损失函数：1）回归：L2损失，L1损失，Huber's Robust Loss（前两者的结合）；2）分类：交叉熵常用激活函数：sigmoid函数；Tanh函数；
深度学习的一点学习笔记（CNN相关）
01-06
因为是学习笔记，估计唯一看的人是我自己，我就忽略一些CNN的基础部分，比如什么是卷积，卷积如何操作，pytorch怎么实现卷积层，什么是池化层，pytorch怎么实现池化层等等。后面网络模型介绍部分的图片来源是伯禹AI...
深度学习pytorch2.0教材学习笔记，以及自己的一点扩充
05-19
本资料包包含了基于PyTorch 2.0的深度学习教材学习笔记，以及作者的个人扩充内容。这些笔记以Jupyter Notebook的形式呈现，便于读者交互式地学习和实践。每个"day"的文件分别代表作者一天的学习内容，从基础概念到...
深度学习的一点学习笔记（机器翻译相关）
01-06
下一章，CNN的一些笔记 RNN的基础知识 关于RNN，也是老生常谈的网络结构了，为了提醒自己，补充一点小观点。下面是一些博客上讲解RNN的链接。 RNN 这篇文章比较概述性的讲解了RNN的一些基本知识。 除此之外，RNN是一...
Python-利用TensorFlow2和Keras的深度学习课程笔记
08-11
在本课程笔记中，我们将深入探讨如何利用TensorFlow 2和Keras进行深度学习实践。TensorFlow是一个强大的开源库，由Google Brain团队开发，用于数值计算和机器学习，特别是深度学习。Keras则是一个高级神经网络API，...
Deep Learning 经典文章代码（matlab）
05-22
例如，LeCun等人在1989年提出的卷积神经网络（CNN）概念，开启了深度学习在图像处理领域的广泛应用。Hinton等人在2006年的"快速学习深层信念网络"中介绍了深度信念网络（DBN），这为无监督预训练提供了新的方法。...
基于springboot+mybatis实现的学生管理系统
08-14
springboot 但功能包含(学生，教师，管理员),项目基于springboot2.1.x实现的管理系统。如果你是spring boot初学者，那么此项目非常适合你。如果喜欢，请随手给个star，谢谢。 编译环境 ： jdk 1.8 mysql 5.5 tomcat 7 框架 ： springboot2.0 mybatis jar包管理工具： Maven 编译器 ： IDEA 系统功能 : 学生信息管理 班级信息管理 教师信息管理 课程信息管理 选课信息管理 考勤信息管理 请假信息管理 成绩信息管理 适用人群：学习不同技术领域的小白或进阶学习者；可作为毕设项目、课程设计、大作业、工程实训或初期项目立项。
rabbitmq-server-3.8.30-1.el7.noarch.rpm
08-14
rabbitmq-server-3.8.30-1.el7.noarch.rpm 是 RabbitMQ 3.8.30 版本的 RPM 软件包，专为 CentOS 7、RHEL 7 等使用 el7 标识的 Linux 发行版构建的。noarch 表示该包是架构无关的，即适用于任何 CPU 架构。此软件包包含 RabbitMQ 服务器及其所需的运行时组件。 rabbitmq-server-3.8.30-1.el7.noarch.rpm 是 RabbitMQ 3.8.30 版本的 RPM 软件包，专为 CentOS 7、RHEL 7 等使用 el7 标识的 Linux 发行版构建的。noarch 表示该包是架构无关的，即适用于任何 CPU 架构。此软件包包含 RabbitMQ 服务器及其所需的运行时组件。
BMS电池管理常用芯片-ads1256(耘天科技).pdf
最新发布
08-14
BMS电池管理常用芯片，让设计与众不同。
基于Android网络音乐播放器APP设计与实现.docx
08-14
基于Android网络音乐播放器APP设计与实现.docx
深度学习入门：从CNN到ImageNet
"该资源是关于深度学习的介绍，涵盖了深度学习的基本概念、卷积神经网络（CNN）以及ImageNet和ILSVRC这两个在图像识别领域的重要竞赛。内容包括机器学习应用、特征提取、视觉机制以及多种深度学习结构和模型，如自动...
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