tensrflow-cnn

tensrflow-cnn

tensorflow-cnn :

cnn :卷积神经网络
关于cnn 网上很多例子,这里就不一一说了,大家随便下载一个都能,配置好环境,问题都不大。这里记录一下个人的理解,如果有不对的地方欢迎大家指出来。

tf.nn.conv2d ()
参数1: input 代表做卷积的输入图像的Tensor,其shape要求为[batch, in_height, in_width, in_channels],:[图片的数量, 图片高度, 图片宽度, 图像通道数],数据类型为float32或float64;

参数2:filter 相当于CNN中的卷积核,该Tensor的shape要求为[filter_height, filter_width, in_channels, out_channels],具体含义是[卷积核的高度,卷积核的宽度,图像通道数,卷积核个数],要求类型与参数input相同,filter的通道数要求与input的in_channels一致,即第三维in_channels,就是参数input的第四维;

重点就是就是它,什么是卷积核,玩过opecv 的同学就可以理解为 滤波器,特征提取器。通过它的过滤,提取到原图的特征。有多少个卷积核,最后就会产生出多少个之余原图的新图像。
举个例子,你的输入是[10,100,100,3](100*100,3通道的图片,一共10张),经过tf.nn.conv2d (filter=[3,3,3,32]) ,就会产生出 [10,100,100,32] 的数据, 形状的图片每张图片的通道数变成了32.如果把数据拆开 ,把其中每张图片单独拿出来 形状是[100,100,32].然后再把其中每个通道单独显示[100,100],就可以看到,经过tf.nn.conv2d ()函数后得到的图像。从这里,我想大家就能理解tf.nn.conv2d ()到底在干嘛。

以上是学习卷积过程中个人卡住的地方,说出来与大家分享,有不对欢迎指出。

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
R-CNN(Region-based Convolutional Neural Networks)是一种目标检测算法,它通过两个阶段来检测图像中的目标物体。首先,R-CNN使用选择性搜索(Selective Search)算法生成一系列候选区域,然后对每个候选区域进行卷积神经网络(CNN)特征提取和分类。R-CNN的主要缺点是速度较慢,因为每个候选区域都需要独立地进行CNN特征提取和分类。 Fast R-CNN是对R-CNN的改进,它通过引入RoI池化层(Region of Interest pooling)来解决R-CNN中重复计算的问题。RoI池化层可以将不同大小的候选区域映射为固定大小的特征图,从而使得所有候选区域可以共享相同的特征提取过程。这样一来,Fast R-CNN相比于R-CNN具有更快的速度。 Faster R-CNN是对Fast R-CNN的进一步改进,它引入了一个称为Region Proposal Network(RPN)的子网络来生成候选区域。RPN通过滑动窗口在特征图上提取候选区域,并为每个候选区域分配一个得分,然后根据得分进行筛选和排序。这种端到端的训练方式使得Faster R-CNN在目标检测任务上具有更高的准确性和更快的速度。 Mask R-CNN是在Faster R-CNN的基础上进一步发展的,它不仅可以进行目标检测,还可以进行实例分割。Mask R-CNN在Faster R-CNN的基础上增加了一个分支网络,用于预测每个候选区域中目标物体的像素级掩码。这使得Mask R-CNN能够同时获得目标的位置信息和像素级别的语义信息。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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