卷积神经网络的工作原理

最新推荐文章于 2024-02-08 11:00:28 发布
最新推荐文章于 2024-02-08 11:00:28 发布
阅读量870 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

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
  • 1
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
卷积神经网络
02-24
本文来自于ibm，文章介绍了卷积网络的工作原理以及如何使用Python实现一个对手写数字进行分类的简单网络。在日常生活中的某一刻，您可能见过目标识别算法的某种实际应用，例如您手机摄像头上的人脸检测。不过，它的工作原理是什么？这些计算机视觉解决方案的核心是卷积神经网络(CNN)。简单来讲，这些网络是特别善于根据不太复杂的特征构建复杂特征的神经网络。一个经典的例子就是人脸检测器，早期各层负责辨别出垂直和水平线，后面的阶段负责找到鼻子和嘴巴。本文将解释这些卷积网络的工作原理。还将展示如何使用Python实现一个对手写数字进行分类的简单网络。让我们进入正题！本文不会详细介绍神经网络的一般工作原理，但您
卷积神经网络概述及python实现
02-24
对于卷积神经网络（CNN）而言，相信很多读者并不陌生，该网络近年来在大多数领域都表现优异，尤其是在计算机视觉领域中。但是很多工作人员可能直接调用相关的深度学习工具箱搭建卷积神经网络模型，并不清楚其中具体的原理。本文将简单介绍卷积神经网络（CNN），方便读者大体上了解其基本原理及实现过程，便于后续工作中的实际应用。本文将按以下顺序展开：1.了解卷积操作2.了解神经网络3.数据预处理4.了解CNN5.了解优化器6.理解ImageDataGenerator7.进行预测并计算准确性8.demo在数学（尤其是函数分析）中，卷积是对两个函数（f和g）的数学运算，以产生第三个函数，该函数表示一个函数的形状如
图像识别用什么神经网络,图神经网络可以做什么
m0_54846070的博客
08-10 659
AI爱发猫。人工神经网络（ArtificialNeuralNetworks）（简称ANN）系统从20世纪40年代末诞生至今仅短短半个多世纪，但由于他具有信息的分布存储、并行处理以及自学习能力等优点，已经在信息处理、模式识别、智能控制及系统建模等领域得到越来越广泛的应用。尤其是基于误差反向传播（ErrorBackPropagation）算法的多层前馈网络（Multiple-LayerFeedforwardNetwork）(简称BP网络)，可以以任意精度逼近任意的连续函数，所以广泛应用于非线性建模、函数逼近、模
CNN入门讲解：卷积层是如何提取特征的？
bobo_jiang的博客
01-16 5万+
各位看官老爷们 好久不见 这里是波波给大家带来的CNN卷积神经网络入门讲解 每周我将给大家带来绝对原创，脑洞大开，幽默风趣的深度学习知识点入门讲解 希望大家多多支持，多多关注 本人微信公众号：follow_bobo 知乎账号：蒋竺波 对了，本期我们的赞助商是 让你爱情事业双丰收的 最近一直忙于工作和看《猎场》 所以没时间更新，
卷积神经网络原理图文详解
qq_43605229的博客
07-29 1282
卷积神经网络原理详解
图神经网络 图像处理,神经网络图像修复
super339的博客
09-07 1019
补充：ps工具箱常用快捷键技巧矩形、椭圆选框工具【M】移动工具【V】套索、多边形套索、磁性套索【L】魔棒工具【W】裁剪工具【C】切片工具、切片选择工具【K】喷枪工具【J】画笔工具、铅笔工具【B】像皮图章、图案图章【S】历史画笔工具、艺术历史画笔【Y】像皮擦、背景擦除、魔术像皮擦【E】渐变工具、油漆桶工具【G】模糊、锐化、涂抹工具【R】4、美图秀秀这个就不用多说了吧，用过PC端的朋友应该有很多，APP版的重点放大了它的美颜功能，比如这个“美颜黑科技”，上传自己的照片后可以生成一张手绘，棒棒哒。
大话卷积神经网络（CNN）
qq_33287871的博客
10-04 4120
这里的神经网络，也指人工神经网络（Artificial Neural Networks，简称ANNs），是一种模仿生物神经网络行为特征的算法数学模型，由神经元、节点与节点之间的连接（突触）所构成，如下图： 每个神经网络单元抽象出来的数学模型如下，也叫感知器，它接收多个输入（x1，x2，x3…），产生一个输出，这就好比是神经末梢感受各种外部环境的变化（外部刺激），然后产生电信号，以便于转导到神经细胞（又叫神经元）。 单个的感知器就构成了一个简单的模型，但在现实世界中，实际的决策模型则要复杂得多，往往是由.
卷积神经网络（CNN）详细介绍及其原理详解
热门推荐
IronmanJay的博客
01-14 12万+
本文总结了关于卷积神经网络（CNN）的一些基础的概念，并且对于其中的细节进行了详细的原理讲解，通过此文可以十分全面的了解卷积神经网络（CNN），非常适合于作为Deep Learning的入门学习。下面就是本篇博客的全部内容！
人工智能中卷积神经网络基本原理综述
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
【CNN】ZFNet——让卷积神经网络不再是一个黑盒模型。
lingchen1906的博客
11-22 1581
ZFNet在2013年 ILSVRC 图像分类竞赛获得冠军，错误率11.19% ，比2012年的AlexNet降低了5%，ZFNet是由 Matthew D.Zeiler 和 Rob Fergus 在 AlexNet 基础上提出的大型卷积网络。ZFNet解释了为什么卷积神经网络可以在图像分类上表现的如此出色，以及研究了如何优化卷积神经网络。ZFNet提出了一种可视化的技术，通过可视化，我们就可以了解卷积神经网络中间层的功能和分类器的操作，这样就就可以找到较好的模型。ZFNet还进行消融实验来研究模型中的每个
屏幕后处理-边缘检测
qq_26489679的博客
09-16 377
效果 原图 渲染图 思路 如上图所示，使用卷积核，计算屏幕图像每个点的像素和当前点周围的像素，进行卷积操作，可以得到梯度值。主要算法如下： for( int it=0;it<9; it++ ){ texColor = luminance(tex2D(_MainTex,i.uv[it])); //分别对九宫格，九个位置的颜色取样，并计算明亮度 edgeX += texColor * Gx[it];//将X轴方向的九个颜色的明亮度乘以梯度索引，并
神经网络-卷积神经网络
Xeon_CC的博客
03-22 389
卷积神经网络最基本的操作：卷积、池化、全连接 1、卷积操作 什么是卷积操作？我们先定义一个目的，让卷积神经网络去识别数字 “17” 和字母 “L”。 有三张图片，一个是数字17，还有两张是字母L，位置不同 定义三个不同的卷积核，我们把卷积核定义为3x3的，分别命名为A卷积核、B卷积核、C卷积核 首先是A卷积核跟第一张图片做卷积操作，A卷积核以如下图的顺序依次扫描，每扫描一个区域都要做内积运算。 例如：下图第一个图中，表示扫描到第一个区域，一一对应的位置，做个内积：0*0 + ...
关于CNN的可解释性
我的博客
03-23 4229
原创：王稳钺 资料来源：贾老师 本文前两部分介绍CNN的结构、作用以及可解释性的定义、可解释性与可靠性的关系，第三部分介绍解决可解释性问题的主要方法CAM、Grad CAM原理。 1. 认识CNN CNN主要就是由Conv、ReLU、Pooling层堆叠而成。 当输入图片给CNN网络，经过不同的操作，会产生各种中间图，如下图。其实下图来自一个可交互的网页，该网页会详细的展示如何通过卷积得到对应的图，感兴趣的同学可以根据下图中左下角的链接了解一下。 例如第一层叫做卷积层，实际上是先用了一个滤波器，就是图中
卷积神经网络原理
hjskj的博客
03-23 1万+
简单快速了解卷积神经网络(CNN)原理
一文搞懂卷积神经网络（CNN）的原理（超详细）
最新发布
datayx的文章
02-08 2186
向AI转型的程序员都关注了这个号????????????卷积神经网络（Convolutional Neural Network，CNN）是一种在计算机视觉领域取得了巨大成功的深度学习模型。它们的设计灵感来自于生物学中的视觉系统，旨在模拟人类视觉处理的方式。在过去的几年中，CNN已经在图像识别、目标检测、图像生成和许多其他领域取得了显著的进展，成为了计算机视觉和深度学习研究的重要组成部分。一、图像原理在了解卷积神经网...
卷积神经网络(CNN)原理详解
IT之一小佬的博客
06-17 2万+
卷积神经网络(CNN)原理详解 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法进行训练。相比较其他浅层或深度神经网络，卷积神经网络需要考量的参数更少，使之成为一种颇具吸引力的深度学习结构。 我们来看一下卷积网络的整体结构什么样子。 其中包含了几个主要结构 卷积层（Convolutions） 池化层（Subsampling） 全连接层（Full c
【深度学习】一文搞懂卷积神经网络（CNN）的原理（超详细）
AI_dataloads的博客
09-24 4万+
在卷积神经网络中，卷积操作是指将一个可移动的小窗口（称为数据窗口，如下图绿色矩形）与图像进行逐元素相乘然后相加的操作。这个小窗口其实是一组固定的权重，它可以被看作是一个特定的滤波器（filter）或卷积核。这个操作的名称“卷积”，源自于这种元素级相乘和求和的过程。这一操作是卷积神经网络名字的来源。上图这个绿色小窗就是数据窗口。简而言之，卷积操作就是用一个可移动的小窗口来提取图像中的特征。
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
卷积神经网络工作原理
09-06
卷积神经网络（CNN）是一种深度学习结构，由卷积层、池化层以及全连接层等组成。相较于其他深度学习结构，CNN在图像等方面能够给出更好的结果，并且需要考量的参数更少，因此具有吸引力。 CNN的工作原理如下： 1. 卷积层：卷积层是CNN的核心组成部分，用于提取输入数据的不同特征。卷积运算通过滑动一个卷积核（也称为过滤器）在输入数据上进行计算。这个过程类似于人类视觉系统中的感受野，通过局部感知获取输入数据的局部特征。卷积层可以通过多个卷积核提取不同的特征。 2. 激活函数：在卷积层后面通常会添加一个激活函数，用于引入非线性映射。常用的激活函数有ReLU、Sigmoid和Tanh等，它们能够增加网络的表达能力，使网络能够更好地拟合非线性关系。 3. 池化层：池化层用于减小特征图的尺寸，并保留重要的特征。常见的池化操作有最大池化和平均池化，它们通过对特征图进行降采样来减小特征图的尺寸。 4. 全连接层：全连接层将池化层的输出连接到最终的分类器或回归器上。全连接层的每个神经元都与前一层所有神经元相连，它们通过权重来计算输出。 通过以上组件的组合和堆叠，卷积神经网络能够有效地学习输入数据的特征表示，从而完成图像分类、目标检测、图像生成等任务。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* *3* [卷积神经网络(CNN)原理详解](https://blog.csdn.net/weixin_44799217/article/details/117989407)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 50%"] - *2* [卷积神经网络的工作原理](https://download.csdn.net/download/yxl564710062/10285775)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 50%"] [ .reference_list ]

“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