卷积神经网络的工作原理

最新推荐文章于 2022-09-18 11:53:05 发布
最新推荐文章于 2022-09-18 11:53:05 发布
阅读量936 收藏 1
点赞数 1
分类专栏： 计算机视觉 文章标签： 神经网络 深度学习 pytorch
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/ldda123/article/details/120260344
版权
卷积神经网络（CNN）在图像识别中扮演关键角色，即使图像经历平移、旋转等变换也能准确识别。通过卷积核进行特征提取，不同卷积核对应不同图像特征。激活函数用于调整结果，池化层减小图像尺寸并保留关键特征。全连接层和梯度下降用于优化模型，找到最小误差值。
摘要由CSDN通过智能技术生成

简介

卷积神经网络可以用于图像，音频、视频。
在这里插入图片描述
举个例子，输入图片为X，经过卷积神经网络处理，计算机最后识别出图像内的字母是X。
在这里插入图片描述
哪怕图像经过平移、旋转、加厚，依然能够识别出图像为X。
在这里插入图片描述
在这里插入图片描述
虽然图像经过了旋转，但是他依然保留了原图的某些特征。
在这里插入图片描述
上图的三个九宫格分别代表三个卷积核，也叫特征提取器，它用来提取原图的三种特征。
在这里插入图片描述
如上图所示。

什么是卷积运算

在这里插入图片描述
卷积运算代表卷积核在原图上进行运动扫描，卷积核与扫描部分的对应位置数字相乘然后再求和得出新的值。
在这里插入图片描述
上图绿框部分经过卷积核扫描求平均值为1，表示绿框中的值和卷积核完全一样。
在这里插入图片描述
继续用原来的卷积核扫描图像的中间部分，这次的平均值为0.55，代表该部分与卷积核的图像特征并不相同，但仍旧保留了0.55的相似性。
在这里插入图片描述
利用卷积核将原图完全扫描一遍可以得出结果，结果为1的部分代表与提取出来的特征，结果数字越低的代表相似程度越低。
在这里插入图片描述
利用不同的卷积核对不同的特征进行提取。

激活函数

在这里插入图片描述
将结果中小于0的部分全部改成0。

池化

为了提高运算速度，所以要对图片进行缩小，这里用到了池化。
池化分为两种
1.使用该区域较大的值代表该区域的特征
2.使用该区域的平均值代表该区域的特征在这里插入图片描述
最大池化
在这里插入图片描述
在这里插入图片描述

全连接层

在这里插入图片描述

梯度下降

在这里插入图片描述
在这里插入图片描述
寻找误差最小的值

ldda123
关注
专栏目录
卷积神经网络原理图文详解
qq_43605229的博客
07-29 1513
卷积神经网络原理详解
【机器学习】卷积神经网络（CNN）
最新发布
fzy2003的博客
09-10 4328
卷积神经网络（CNN）是一种深度学习模型，通过多层结构实现图像识别等任务。CNN包括输入层、卷积层、池化层、全连接层和输出层。输入层接收原始数据，卷积层通过滑动卷积核提取图像特征，池化层进一步压缩特征图，减少过拟合并提高模型对平移等变换的鲁棒性。全连接层将提取的特征展开并进行分类或回归任务，输出层通过Softmax函数生成概率分布，完成最终预测。CNN广泛用于图像处理、手写数字识别等领域，具有很强的特征提取能力。
卷积神经网络工作原理
weixin_54964904的博客
12-19 1581
与传统神经网络的区别 卷积神经网络与常规神经网络具有不同的架构。 常规神经网络通过将输入放入一系列隐藏层来转换输入。每一层由一组神经元组成，其中每一层都与前一层中的所有神经元完全连接。最后，最后一个全连接层——输出层——代表预测。 卷积神经网络有点不同。首先，层被组织成 3 个维度：宽度、高度和深度。此外，一层中的神经元不会连接到下一层中的所有神经元，而只是连接到其中的一小部分。最后，最终输出将减少为单个概率分数向量，沿深度维度组织。 组成部分 隐藏层/特征提取部分 在这部分中，网络将执行一系列卷积和池
[不定期更新长文]卷积神经网络工作原理研究
weixin_34293902的博客
04-05 224
本人只是出于兴趣研究这个话题，本人并非学者，或者从业者，所以可能在写作中出现技术上的硬伤，请各位指正。 本文可能根据业界最新进展进行更新， 欢迎来评论中进行交流和研究。 本文所引用的资料将严格标明出处和版权。本文首发于简书平台，博客园和本人公众号，请勿转载 卷积神经网络在图像识别领域无限风光，通过一张图片，算法可以知道图片上的物体是什么，着实令人震惊，但是很多人和我一样，对于其背后的原理，都非常好...
卷积神经网络概念与原理,卷积神经网络基本原理
shirley67269的博客
08-29 1737
卷积神经网络有以下几种应用可供研究：1、基于卷积网络的形状识别物体的形状是人的视觉系统分析和识别物体的基础，几何形状是物体的本质特征的表现，并具有平移、缩放和旋转不变等特点，所以在模式识别领域，对于形状的分析和识别具有十分重要的意义，而二维图像作为三维图像的特例以及组成部分，因此二维图像的识别是三维图像识别的基础。卷积神经网络的稀疏连接具有正则化的效果，提高了网络结构的稳定性和泛化能力，避免过度拟合，同时，稀疏连接减少了权重参数的总量，有利于神经网络的快速学习，和在计算时减少内存开销。②具有联想存储功能。.
卷积神经网络的工作原理,卷积神经网络数学原理
aifamao3的博客
09-18 612
4. 卷积神经网络仿造生物的视知觉（visual perception）机制构建，可以进行监督学习和非监督学习，其隐含层内的卷积核参数共享和层间连接的稀疏性使得卷积神经网络能够以较小的计算量对格点化（grid-like topology）特征，例如像素和音频进行学习、有稳定的效果且对数据没有额外的特征工程（feature engineering）要求。因此，三者原理和结构相同。在信号分析的场景，它指定了在哪个特定时间点的前后进行“积”，在空间分析的场景，它指定了在哪个位置的周边进行累积处理。
CNN（卷积神经网络）工作原理详解
qq_39682037的博客
04-20 1万+
CNN（卷积神经网络） 前言、 用夹逼定理说，前馈神经网络（也称为神经元的多层网络）可以作为强大的逼近来学习输入和输出之间的非线性关系。但是前馈神经网络的问题在于，由于网络中存在许多要学习的参数，因此网络易于过度拟合。 我们是否可以拥有另一种类型的神经网络，它可以学习复杂的非线性关系但参数较少，因此容易出现过度拟合的情况？卷积神经网络（CNN）是另一种神经网络，可用于使机器可视化事物并执行诸如...
【深度学习】卷积神经网络(CNN)原理
风口IT猪的成长录
08-13 1095
【深度学习】卷积神经网络原理1. 卷积神经网络的组成2. 卷积层2.1 卷积运算过程3. padding-零填充3.1 Valid and Same卷积3.2 奇数维度的过滤器4. stride-步长5. 多通道卷积5.1 多卷积核（多个Filter）6. 卷积总结7. 池化层(Pooling)8. 全连接层9. 总结 1. 卷积神经网络的组成 定义 卷积神经网络由一个或多个卷积层、池化层以及全连接层等组成。与其他深度学习结构相比，卷积神经网络在图像等方面能够给出更好的结果。这一模型也可以使用反向传播算
卷积神经网络原理详解
06-07
本ppt详细介绍了卷积神经网络的起源背景、算法原理、算法的执行过程、以及CNN的应用场景
人工智能中卷积神经网络基本原理综述
热门推荐
Zhang Phil
12-11 3万+
人工智能Artificial Intelligence中卷积神经网络Convolutional Neural Network基本原理综述人工智能（Artificial Intelligence，简称AI）的Deep Learning（深度学习）通过机器学习，把某一层的输出output当做下一层的输入input。在人工智能中，认为output是机器通过深度学习获得的某种“智慧”。深度学习（Deep
深刻去理解卷积神经网络（CNN）工作原理
AlexDish的博客
10-24 554
深刻去理解卷积神经网络（CNN）工作原理前言基础介绍以及数据准备使用Keras建立CNN使用Tensorflow建立CNN 前言 对于我们半路出家的神经网络学习者，有些会是走捷径先学习如何实现项目，然后再回来学习各种基础。 本文只适合于小白学习，大牛请打转向灯绕行。 基础介绍以及数据准备 卷积神经网络是通过以卷积计算为主，把前一层网络的数据计算生成这一层网络的一种网络结构。它最先使用在图像识别的领域，后来大家觉得它牛B，什么领域都想试试水。 它的历史就不在这里说了，因为我们不是历史研究者。卷积公式这里也不
深度学习--卷积神经网络工作原理
Snail_Moved_Slowly的博客
12-17 2633
万能的知乎 从知乎上看一篇文章，问题是卷积神经网络工作原理直观的解释，知乎大神用各种动图对卷积神经网络的训练做了介绍。YJango的回答最为精彩。奉上链接，希望你也能从这个回答中对卷积神经网络有更为确切的认识。https://www.zhihu.com/question/39022858/answer/194996805?utm_medium=social&utm_source=wechat_s
卷积神经网络原理简述
weixin_45649258的博客
05-31 3226
1 CNN原理 卷积神经网络主要应用在图像识别领域中，是指非某类网络的集合，其中包含了多种不同类型的结构。 不同网络结构，其性能一般也会有所不同。 通过对CNN几种典型架构的研究，我们可以发现这些网络创造者们极富创意，其中许多架构十分精巧，他们获得了重新引入当今主流几种典型架构的机会。 下面就从卷积神经网络原理开始。 所有CNN的最终目的就是将一幅照片变成一个特征向量，而特征向量等于这幅照片的DNA。 与上面的VGG网络类似，经过若干层卷积、池化和全连接等步骤，使图片维度减少，并最终转化为一维向量。 该
卷积神经网络原理
hjskj的博客
03-23 2万+
简单快速了解卷积神经网络(CNN)原理
卷积神经网络工作原理直观的解释？
奋斗的小鸟
10-29 812
查看全部 35 个回答 Owl of Minerva 神经科学、脑科学 话题的优秀回答者 收录于 编辑推荐 · 591 人赞同了该回答 从最基础的开始 对二维数字信号（图像）的操作，可以写成矩阵形式。 比如对图像做平滑，一个典型的8领域平滑，其结果中的每个值都来源于原对应位置和
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