【深度学习笔记】各种卷积方式串讲

最新推荐文章于 2023-03-08 15:48:31 发布
最新推荐文章于 2023-03-08 15:48:31 发布
阅读量261 收藏
点赞数
分类专栏： 深度学习 机器学习 计算机视觉 文章标签： 深度学习 神经网络 cnn
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/liufang_imei/article/details/128826092
版权
本文详细梳理了深度学习中卷积的各种方式，包括常规卷积、1x1卷积、分组卷积、可分离卷积（空间可分离和深度可分离）、转置卷积、空洞卷积和子像素卷积。每种卷积方式的特点、作用和应用场景进行了阐述，旨在理解和体会大牛们的创新思维。
摘要由CSDN通过智能技术生成

问题

CNN 从 2012 年的 AlexNet 发展至今，各种网络结构层出不穷，尝试了几乎所有可能性的结构搭配以试图找到效果更好的那种，再通过结果去解释过程，这大概就是做深度学习的人的无奈之处吧，每天都有新论文发出，每天都会有新的网络结果，每个都比之前的提升一丢丢，琳琅满目，令人眼花缭乱，像我这样的便迷失其中，找不到一个确定的方向去研究，终究普普通通，无所建树。

网络结构如此，卷积 (Convolution) 方式也不例外，各种可能性的卷积过程改变方式都出现了（以后大概还有出现新的卷积方式的），效果各异，特点不同，所以想通过这篇文章将各种卷积方式捋一捋，体会下大牛们的智慧！

符号约定

输入： H i n

了解本专栏 订阅专栏 解锁全文 超级会员免费看
manylinux
关注
专栏目录
订阅专栏
【深度学习笔记】全卷积网络FCN及 ROI Pooling 和 ROI Align 的区别
热情、奔放、快乐编程！
01-30 573
ROI Pooling：将RPN的浮点Bbox输出量化成整形；然后从feature map中裁剪出对应的ROI，并池化到指定大小ROI Align：直接使用RPN的浮点Bbox；将ROI等比例划分成多个cell，且cell的数目与最终要求的池化输出大小一致；从cell中随机采样一点数目的点（使用双线性差值计算浮点位置的特征），并进行池化得到该cell的输出。
各种卷积方式的最全讲解
热门推荐
weixin_43702653的博客
03-30 1万+
各种卷积方式的最全讲解
各种卷积类型Convolution
abc1676167的专栏
04-24 174
从最开始的卷积层，发展至今，卷积已不再是当初的卷积，而是一个研究方向。在反卷积这篇博客中，介绍了一些常见的卷积的关系，本篇博客就是要梳理这些有趣的卷积结构。 阅读本篇博客之前，建议将这篇博客结合在一起阅读，想必会有更深的理解。另外，不管是什么类型的卷积，我们都把它理解成一种运算操作。 Group convolution Group convolution是最早应用在2012...
干货 ：一文读懂 12种卷积方法
数据分析
08-16 1672
来源：机器之心本文约7800字，建议阅读15分钟 本文归纳总结深度学习中常用的几种卷积，并会试图用一种每个人都能理解的方式解释它们。我们都知道卷积的重要性，但你知道深度学习领域的卷积究竟是什么，又有多少种类吗？研究学者 Kunlun Bai 近日发布一篇介绍深度学习的卷积文章，用浅显易懂的方式介绍了深度学习领域的各种卷积及其优势。鉴于原文过长，机器之心选择其中部分内容进行介绍，2、4、5、9、11...
CNN中卷积方式大汇总
Maan_liaa的博客
01-29 2712
1.原始版本 最早的卷积方式还没有任何骚套路，那就也没什么好说的了。 见下图，原始的conv操作可以看做一个2D版本的无隐层神经网络。 附上一个卷积详细流程： 【TensorFlow】tf.nn.conv2d是怎样实现卷积的？ - CSDN博客 代表模型： LeNet：最早使用stack单卷积+单池化结
模型汇总23 - 卷积神经网络中不同类型的卷积方式介绍
lqfarmer的博客
10-13 1万+
之前在文章《牛逼的深度卷积神经网络CNN》详细介绍了卷积神经网络的基本原理，以及常见的基本模型，如LeNet，VGGNet，AlexNet，ReseNet，Inception Net的基本结构和原理。今天主要总结一下，卷积神经网络家族中，不同类型的卷积方式以及它们各自的优点。为了简单起见，我们仅从2维的角度介绍。 文末提供相关资料下载地址 卷积基本概念 首先，我们
视频理解论文串讲——学习笔记
最新发布
小威的博客
03-08 359
本文是对视频理解领域论文串讲的笔记记录。包括了大部分使用deep learning方法做action recognition的论文。
深度学习时代的视频理解综述
weixin_44966641的博客
08-08 7355
本文为[b站@bryanyzhu](https://space.bilibili.com/511378644)老师四期视频理解相关论文解读的汇总图文笔记。
学习+科研+做项目 深度学习最全详细资料
CSS360的博客
09-24 845
李宏毅2020机器学习深度学习(完整版)国语 [双语字幕]吴恩达深度学习deeplearning.ai 深度学习（卷积网络、循环神经网络、对抗神经网络、Tensorflow实战） 更多资料请关注公众号：计算机视觉与图形学实战 李宏毅2020机器学习深度学习(完整版)国语 目录 157.5万播放 P1 机器学习 37:08 P2 Rule of ML 2020 22:04 P3 Regression - Case Study 1:18:35 P4 Basic Concept 43:14
北大tensorflow公开课笔记
05-25
第一讲 带着大家梳理人工智能领域的基本概念：比如什么是人工智能、什么机器学习、什么是深度学习，他们的发展历史是什么，能用他们做什么。课后，助教会带领大家安装Ubuntu系统、Python解释器 和 Tensorflow环境，...
Tensorflow笔记-中国大学全部讲义源代码
10-04
在本系列的“Tensorflow笔记-中国大学全部讲义源代码”中，涵盖了从人工智能的基础概念到深度学习实战的关键技术。这些讲义旨在为学生提供一个全面的学习路径，以掌握Tensorflow这一强大的深度学习框架。以下是对每...
【Pytorch学习笔记】将原始数据集按照比例划分成训练集、验证集和测试集
热情、奔放、快乐编程！
11-25 3018
我们在做深度学习模型训练时，需要提前做数据预处理工作，比如有需要预先划分好训练集、验证集、测试集，为训练模型调优做一个基本的数据支撑。一般情况，训练集：验证集：测试集 = 8：1：1，按照这个比例划分。提示：以下是本篇文章正文内容，下面案例可供参考以上就是今天要讲的内容，本文仅仅简单介绍了将原始数据集按照比例划分成训练集、验证集和测试集的方法及源码，可直接使用，仅供学习参考！
Ultralytics公司YOLOv8来了(训练自己的数据集并基于NVIDIA TensorRT和华为昇腾端到端模型加速)--跟不上“卷“的节奏
热情、奔放、快乐编程！
01-12 2410
其实这里的梯度流主分支，可以是任何之前你学习过的模块，比如，美团提出的YOLOv6中就是用来重参模块RepVGGBlock来替换BottleNeck Block来作为主要的梯度流分支，而百度提出的PP-YOLOE则是使用了RepResNet-Block来替换BottleNeck Block来作为主要的梯度流分支。针对C3模块，其主要是借助CSPNet提取分流的思想，同时结合残差结构的思想，设计了所谓的C3 Block，这里的CSP主分支梯度模块为BottleNeck模块，也就是所谓的残差模块。
编译darknet报错：[obj/convolutional_layer.o] Error 1 或者[obj/convolutional_kernels.o] Error 1
热情、奔放、快乐编程！
03-26 2105
背景是：想使用多GPU训练模型 包这样的错，首先检查darknet下的Makefile是否修改正确----》三处位置 报错时的Makefile文件： 【第一处】---->多个博客是这样写的 GPU=1 CUDNN=1 OPENCV=1 OPENMP=0 DEBUG=0 【第二处】---->cuda-11.1是我自己的cuda版本，需修改成自己的安装版本 NVCC=/usr/local/cuda-11.1/bin/nvcc 【第三处】---->cuda-11.1是我自己的cuda版本，需修改
import caffe，报错Error: /usr/lib/x86_64-linux-gnu/libatk-1.0.so.0: undefined symbol: g_log_structur
热情、奔放、快乐编程！
09-10 1809
按照这个方法（https://blog.csdn.net/CAU_Ayao/article/details/83901287）修改没用，反而报新的错误 新错误为： Traceback (most recent call last): File “”, line 1, in File “/home/caffe-master/python/caffe/init.py”, line 1, in from .pycaffe import Net, SGDSolver, NesterovSolver, AdaGr
模型结构可视化神器Netron——免安装在线看
热情、奔放、快乐编程！
11-24 1736
模型结构可视化神器Netron——免安装在线看网址：https://lutzroeder.github.io/netron/，直接导入本地.onnx模型即可。 网址：https://lutzroeder.github.io/netron/，直接导入本地.onnx模型即可。
【深度学习笔记】为什么用F1-score
热情、奔放、快乐编程！
01-29 1553
F1 score 综合考虑了精确率和召回率，其结果更偏向于 Precision 和 Recall 中较小的那个，即 Precision 和 Recall 中较小的那个对 F1 score 的结果取决定性作用。F1 score是分类问题中常用的评价指标，定义为精确率（Precision）和召回率（Recall）的调和平均数。，由F1 score的计算公式可以看出，此时其结果主要受 Recall 影响。，其结果约为 0.5，而 F1 score 调和平均的结果约为 0。召回率，也称为查全率，衡量的是。
【Pytorch学习笔记】交叉熵损失函数CrossEntropyLoss的案例使用
热情、奔放、快乐编程！
11-29 1507
分类问题常用的损失函数为交叉熵（Cross Entropy Loss）。交叉熵描述了两个概率分布之间的距离，交叉熵越小说明两者之间越接近。熵是信息量的期望值，它是一个随机变量的确定性的度量。熵越大，变量的取值越不确定；反之，熵越小，变量取值就越确定。本文将使用交叉熵损失函数用作一个简单案例，代码仅供参考学习！提示：以下是本篇文章正文内容，下面案例可供参考在分类问题中用交叉熵可以更好的体现loss的同时，使其仍然是个凸函数，这对于梯度下降时的搜索很有用。
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

打赏作者

manylinux

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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