卷积神经网络（Convolutional Neural Networks, CNN）

已于 2023-11-09 20:36:24 修改
阅读量94 收藏
点赞数
分类专栏： 深度学习 文章标签： cnn 神经网络 卷积神经网络 深度学习
于 2023-11-09 20:27:43 首次发布
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/lyy18696365816/article/details/134319366
版权

文章目录

一、AlexNet

深度卷积神经网络（AlexNet）是由Alex Krizhevsky、Ilya Sutskever和Geoffrey Hinton于2012年提出的。它是第一个在ImageNet数据集上获得较低错误率的深度卷积神经网络。AlexNet的成功标志着深度学习的新时代的开始。

论文：Krizhevsky, Alex, Ilya Sutskever, and Geoffrey E. Hinton. “Imagenet classification with deep convolutional neural networks.” Advances in neural information processing systems. 2012.

论文下载地址：http://papers.nips.cc/paper/4824-imagenet-classification-with-deep-convolutional-neural-networks.pdf

AlexNet的亮点在于：
1、首次使用GPU进行网络加速训练。
2、使用了ReLU激活函数，而不是传统的Sigmoid激活函数以及Tanh激活函数。
3、使用了LRN局部响应归一化。
4、在全连接层的前两层使用了Dropout随机失活神经元操作，以减少过拟合。

二、参考学习地址

CNN笔记：通俗理解卷积神经网络

卷积神经网络（CNN）详细介绍及其原理详解

深度学习之卷积神经网络(Convolutional Neural Networks, CNN)

深度学习，128篇论文

总结

一步一个脚印，lyy加油！

Luosihuo
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
卷积神经网络 (Convolution Neural Networks, CNN)
sun_ia的博客
07-21 1709
卷积神经网络一般用在图像处理、计算机视觉等领域。下面1-4节介绍了构造卷积神经网络基础知识，第5节介绍一些经典的卷积神经网络，7-9节介绍了三种CNN常见应用：目标检测、人脸识别、风格迁移。 1. 卷积计算 　　1.1 卷积运算 (Convolution)： 　　如图，一个6×6的矩阵A与一个3×3的filter矩阵进行卷积计算，生成了一个4×4的矩阵B，B[1][1]就是矩阵A红色边框中的数字与filter矩阵依次相乘再相加计算出来的，滑动边框依次计算就可以得到B。 ...
卷积神经网络（Convolutional Neural Network）
MapleStory的博客
12-04 3659
本博客是针对李宏毅教授在youtube上上传的机器学习系列课程视频的学习笔记。（视频地址）卷积神经网络（Convolutional Neural Network，简称CNN），在图像处理方面的效果一直非常突出。今天我们就来看一下CNN的原理，并探究一下其效果如此好的原因。为什么用CNN来识别图像（Why CNN for Image）Motivation to use CNN: previous fu
【综述】一文读懂卷积神经网络(CNN)
qq_43673118的博客
09-07 2万+
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，视觉皮层的细胞存在一个复杂的构造，这些细胞对视觉输入空间的子区域非常敏感，称之为感受野。CNN由纽约大学的Yann Lecun于1998年提出(LeNet-5)，其本质是一个多层感知机，成功的原因在于其所采用的局部连接和权值共享的方式：一方面减少了权值的数量使得网络易于优化；另一方面降低了模型的复杂度、减小了过拟合的风险。当网络的输入为图像时，这些优点将表现地更加明显。
对话图灵奖得主、CNN之父Yann LeCun：我在中国看到了AI研究热潮
《程序员》官方BLOG
08-23 5078
卷积神经网络（Convolutional Neural Networks，简称 CNN）在最近这些年的深度学习领域可谓锋芒毕露，成为计算机视觉、语音识别等众多人工智能应用底层的基石，图灵奖得主杨立昆（Yann LeCun）便是它的重要奠基者之一。被誉为“卷积神经网络之父”的杨立昆，早在1998年，人工智能发展的第二次冬春交替之际，便创造出卷积神经网络的雏型：LeNet-5，为识别支票、数字之类的人工智能应用带来了突破性的进展。 当今，以机器学习、深度学习等为基础的智能系统逐渐渗透人们的生活，杨立昆认为..
（转载）Convolutional Neural Networks卷积神经网络
weixin_30477293的博客
08-12 187
Convolutional Neural Networks卷积神经网络 Contents 一：前导BackPropagation反向传播算法 网络结构 学习算法 二：ConvolutionalNeuralNetworks卷积神经网络 三：LeCun的LeNet-5 四：CNNs的训练过程 五：总结 本文是我在20140822的周报，其中部分参照了以下博文或...
深度学习大神都推荐入门必须读完这9篇论文
以笔为剑的唐吉坷德
01-18 3655
Introduction 卷积神经网络CNN，虽然它听起来就像是生物学、数学和计算机的奇怪混杂产物，但在近些年的机器视觉领域，它是最具影响力的创新结果。随着Alex Krizhevsky开始使用神经网络，将分类错误率由26%降到15%并赢得2012年度ImageNet竞赛（相当于机器视觉界的奥林匹克）时，它就开始声名大噪了。从那时起，一票公司开始在它们的核心服务中使用深度学习技术。例如Faceb
《ImageNet Classification with Deep Convolutional Neural Networks》论文研读及AlexNet代码实现
weixin_45703331的博客
10-27 873
《ImageNet Classification with Deep Convolutional Neural Networks》论文研读及AlexNet代码实现
Tensorflow 18.2 CNN 卷积神经网络 Convolutional Neural Networks (神经网络 教学教程tutorial)
08-31
Tensorflow_18.2_CNN_卷积神经网络_Convolutional_Neural_Networks__(神经网络_
卷积神经网络（Convolutional Neural Networks，CNN）是深度学习领域中一种非常重要的神经网络结构，特
05-03
卷积神经网络（Convolutional Neural Networks，CNN）是深度学习领域中一种非常重要的神经网络结构，特别适用于处理图像和视频数据。以下是关于卷积神经网络的500字资源介绍： 卷积神经网络是一类包含卷积计算的...
Tensorflow 18.3 CNN 卷积神经网络 Convolutional Neural Networks (神经网络 教学教程tutorial)
08-31
Tensorflow_18.3_CNN_卷积神经网络_Convolutional_Neural_Networks_(神经网络_教
Tensorflow 18.1 CNN 卷积神经网络 Convolutional Neural Networks 1 (神经网络 教学教程tutorial)
08-31
Tensorflow_18.1_CNN_卷积神经网络_Convolutional_Neural_Networks_1_(神经网络
卷积神经网络Convolutional-Neural-Networks(CNN).docx
03-13
卷积神经网络（CNN，Convolutional Neural Networks）是一种专门用于处理具有网格状结构数据，如图像、声音或时间序列的深度学习模型。其核心思想是利用卷积运算来提取特征，大大减少了模型的参数数量，提高了计算...
ImageNet Classification with Deep Convolutional Neural Networks经典论文
m0_63520910的博客
04-13 2832
来自B站视频​​​​​​【论文复现代码数据集见置顶评论】3小时高效复现CV计算机视觉经典论文！论文精讲&代码复现：目标检测、图像分类、图像分割、轻量化网络、GAN、OCR_哔哩哔哩_bilibili 博客-ImageNet Classification with Deep Convolutional Neural Networks论文解读 - 知乎 1、研究背景 AlexNet成功的两个因素，第一个是数据集，第二个是强大的计算资源。 AlexNet的研究意义 一...
深度学习论文阅读：Convolutional Neural Networks for Sentence Classification （TextCNN）
guangyacyb的博客
03-07 1700
这是一篇将CNN运用于句子分类的论文 摘要 We report on a series of experiments with convolutional neural networks (CNN) trained on top of pre-trained word vectors for sentence-level classification tasks. We show that ...
《Convolutional Neural Networks for Sentence Classification》论文研读
Findingxu的博客
03-23 516
一、论文梗概： 提出了如何有效利用CNN进行句级别的分类任务进行了实验对比验证。 Introduction:提到CNN用于NLP的背景，前人做过的工作，并且解释CNN应用在NLP任务上的合理性。 Model: 介绍了本文提出的有static和none-stati两种channel的用于句级别分类的CNN模型结构，并进行公式推演。 Datasets and Experimental Set...
卷积神经网络不能处理“图”结构数据？这篇文章告诉你答案
weixin_34133829的博客
08-02 761
本文要介绍的这一篇paper是ICML2016上一篇关于 CNN 在图（graph）上的应用。ICML 是机器学习方面的顶级会议，这篇文章--<< Learning CNNs for Graphs>>--所研究的内容也具有非常好的理论和实用的价值。如果您对于图的数据结构并不是很熟悉建议您先参考本文末的相关基础知识的介绍。 CNN...
卷积神经网络概念与原理
热门推荐
yunpiao123456的专栏
09-05 30万+
一、卷积神经网络的基本概念 受Hubel和Wiesel对猫视觉皮层电生理研究启发，有人提出卷积神经网络（CNN），Yann Lecun 最早将CNN用于手写数字识别并一直保持了其在该问题的霸主地位。近年来卷积神经网络在多个方向持续发力，在语音识别、人脸识别、通用物体识别、运动分析、自然语言处理甚至脑电波分析方面均有突破。 卷积神经网络与普通神经网络的区别在于，卷
CNN（Convolutional Neural Networks）学习总结
BVL的博客
11-29 2529
刚开始学习cnn，把前段时间看cnn相关的内容，今天稍微的总结下。在文章中差漏的地方，还望见谅。权当做交流。文章开头先推荐一个网址： https://github.com/BVLC/caffe/wiki/Model-Zoo 罗列了主流会议，近年来cnn上的相关进展和各种model，感兴趣的可以拿来阅读一番。**Cnn几篇重要的论文** Lenet-5 ：Yann LeCun等在1998年发布的
认识神经网络【多层感知器数学原理】
最新发布
逐梦苍穹的博客
07-24 1230
简单认识神经网络，学习多层感知器的数学原理和公式
卷积神经网络(convolutional neural networks, cnn)结构图
09-17
卷积神经网络（Convolutional Neural Networks，CNN）是一种强大的深度学习算法，主要用于图像识别和处理。CNN的结构图主要包括卷积层、激活函数、池化层和全连接层。 卷积层是CNN的核心组成部分，由多个卷积核组成。每个卷积核在图像上进行滑动操作，通过计算卷积操作得到新的特征图。卷积操作可以提取出图像的局部特征，并保留了空间结构信息。 在卷积层之后，激活函数（如ReLU）被应用于特征图中的每个元素，以引入非线性。激活函数可以增加网络的表达能力，并促使网络学习更复杂的特征。 池化层用于减少特征图的维度，它通过将特定区域内的特征值进行聚合，并选择最显著的特征进行保留。常用的池化操作包括最大池化和平均池化。池化层可以减少特征图的大小，从而降低参数数量，减小计算量。 最后，全连接层将池化层输出的特征图转换为向量形式，并连接到输出层。全连接层的作用是对特征进行分类或回归预测。它们通常由全连接神经元组成，每个神经元与上一层的所有神经元相连。 在CNN的结构图中，卷积层和池化层可以多次堆叠，以增加网络的深度。这种多层次的结构可以使网络学习到更高级别的抽象特征。此外，CNN还可以通过添加批量归一化、dropout等技术来提高网络的性能和泛化能力。 总之，CNN的结构图展示了卷积神经网络的层次组织和数据流动方式，有助于理解其工作原理和网络结构的设计。通过逐层堆叠不同的层，CNN可以有效地提取图像中的特征，并在分类、目标检测等任务中取得优秀的性能。
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