CNN Model小记录

最新推荐文章于 2025-10-21 22:24:49 发布
原创 最新推荐文章于 2025-10-21 22:24:49 发布 · 1.8k 阅读 · 0 ·
CC 4.0 BY-SA版权
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。

本文记录了从LeNet-5到Inception v4的CNN模型发展历程，包括AlexNet、ZF Net、VGG和ResNets等。重点讨论了Inception系列模型的设计理念，如1x1卷积用于降低计算成本，以及ResNets中的残差块解决深度学习中的退化问题。

参考链接：深度学习常用的Data Set数据集和CNN Model总结

一.LeNet-5   

时间：1986年，参数大约6万

网络结构图：

 LeNet-5网络模型（数字识别，2个卷积层，2个池化层，2个全连接层）

其中：C表示卷积层，S表示池化层，F表示全连接层，下标意为图像大小

卷积层：卷积核大小为5*5，步长stride=1

池化层：max pooling，采样2*2，步长stride=2

第一个卷积层6个filter，第二个卷积层16个filter

第一个全连接FC中有120个神经节点，每个结点有400个输入特征，即W=（120，400），b=（120，1），所以最后得到（120，1）。Z=WX+b，X=（400，1）

二.AlexNet

时间：2012年，大约6000万参数

网络结构图：

引入GPU，增加特殊层（LRN层，全称：Local

最低0.47元/天 解锁文章
一文彻底搞懂CNN - 模型架构（Model Architecture）
2401_85377976的博客
08-24 4775
由输入层、卷积层、池化层以及全连接层组成，通过卷积操作提取图像特征，并通过池化减少参数数量，最终通过全连接层进行分类或回归。输入层：接收原始图像数据，可能需要进行预处理，如归一化、尺寸调整等。卷积层：通过一系列可学习的卷积核（或称为滤波器）对输入图像进行卷积操作，以提取图像中的局部特征。每个卷积核都会生成一个特征图（feature map），这些特征图共同构成了卷积层的输出。池化层：通常位于卷积层之后，用于对特征图进行下采样，以减少数据的空间维度和参数数量，同时保留重要特征。
TCNN:Modeling and Propagating CNNs in a Tree Structure for Visual Tracking
Wenju-Huang的博客
10-26 1974
本文的motivation是用一个tree结构的multi-model CNN来解决tracking中的o遮挡、突然运动、跟丢等难题，以提高跟踪的精度。CNNs目标跟踪领域最大问题是target appearance的改变，为了应对这个问题，目前常用的方法是进行online update。但online update是基于目标缓慢变化这个前提假设进行的，当目标被遮挡或者跟丢时，跟踪器就学习了背景特征从而失效。因此本文
建立的简单的CNN_model模型，是python类型的程序代码
10-02
建立的简单的CNN模型，用于相互作用的计算。建立的模型较为简单，适合刚开始接触CNN模型的新手参考
卷积神经网络（CNN）模型介绍、构造、优化及案例演示
最新发布
AI开发者
10-21 1059
本文介绍了卷积神经网络（CNN）的基础知识和应用。主要内容包括：1）图像基础知识，如二值图像、灰度图像和RGB图像的特征；2）CNN的基本结构和工作原理，包括卷积层、池化层和全连接层的作用；3）卷积计算过程、填充（Padding）和步长（Stride）的作用；4）使用PyTorch实现卷积和池化操作；5）通过CIFAR10数据集展示了图像分类案例的完整流程，包括数据加载、模型构建、训练和评估。文章详细阐述了CNN在特征提取和图像分类中的应用，为读者提供了实用的深度学习实践指南。
经典的cnn model
luoganttcc的博客
04-09 1813
def get_model(X_input):#重新建立模型，与原来不一样的是这里inp是传入 n_classes = 5 # input_shape = (time_span, feature, 1) # X_input = Input(input_shape) #inp=Input(shape=(120,39))#原来的inp是函数里，传入可以三个公用 #...
一个简单的CNN model，训练集MNIST
一条有梦想的咸鱼
04-09 1536
欢迎使用Markdown编辑器写博客 本Markdown编辑器使用StackEdit修改而来，用它写博客，将会带来全新的体验哦： Markdown和扩展Markdown简洁的语法 代码块高亮 图片链接和图片上传 LaTex数学公式 UML序列图和流程图 离线写博客 导入导出Markdown文件 丰富的快捷键 快捷键 加粗 Ctrl + B 斜体 Ctrl + I
使用keras实现BiLSTM+CNN+CRF文字标记NER
09-16
`ModelCheckpoint`和自定义的`LossHistory`回调函数可以用来保存最佳模型和记录损失变化。`AccLossPlotter`可以帮助可视化训练过程中的准确率和损失。 在实际应用中，可能还需要进行数据预处理，包括分词、创建词汇...
def train_cnn_model():
11-24
`train_cnn_model()` 函数通常是在卷积神经网络 (Convolutional Neural Network, CNN) 的训练过程中定义的，它是一个通用模板，用于训练深度学习模型。这个函数可能会包含一系列步骤，比如加载数据集、预处理图像、...
【CNN】用MNIST测试各种CNN网络模型性能
xudawu201的博客
06-29 822
除了第一个CNN为自己搭的以外，其余模型使用Pytorch官方模型，这些模型提出时是在ImageNet上进行测试，在此补充在MNIST上的测试。本次没有更改Pytorch官方模型的代码，在实际生产中还需要测试不同的架构思想结合起来开发适合的网络模型。当准确率差距较小的情况下，训练速度就成了脱颖而出的关键，下表以训练用时从小到大排序。训练用时：0:32:57（图像扩大到原来的1.14倍，时长仅供参考）训练用时：0:18:06（图像扩大到原来的2.32倍，时长仅供参考）保存模型大小：188.87MB。
【CNN】设计cnn网络并调参
xudawu201的博客
06-25 814
6.如果全连接层后在网络内部定义了softmax()会将误差缩小，降低loss梯度的区分度，和梯度消失一样，模型训练不收敛。2.小卷积核1、3、5，大卷积核7、11，步长最好小于卷积核，使得卷积过程有覆盖，步长代表提取图像特征的精度。小卷积核更能捕获局部视野，计算量随之减小，大卷积核更注重全局，计算量增大。5.激活函数选GELU()，激活函数很重要，多个激活函数组合可以扭曲各层数据的线性组合，将网络变得复杂，扭曲的空间曲面更容易拟合分类边界。卷积层（Conv），卷积核的权重和偏置。
卷积神经网络CNN经典模型整理Lenet，Alexnet，Googlenet，VGG，Deep Residual Learning,squeezenet
ytusdc的博客
09-25 1091
关于卷积神经网络CNN，网络和文献中有非常多的资料，我在工作/研究中也用了好一段时间各种常见的model了，就想着简单整理一下，以备查阅之需。如果读者是初接触CNN，建议可以先看一看“Deep Learning（深度学习）学习笔记整理系列”中关于CNN的介绍[1]，是介绍我们常说的Lenet为例，相信会对初学者有帮助。 Lenet，1986年Alexnet，2012年GoogleNet，20
经典CNN模型介绍
Ibelievesunshine的博客
10-30 2841
一、LeNet-5 论文：http://yann.lecun.com/exdb/publis/pdf/lecun-01a.pdf 这个可以说是CNN的开山之作，由Yann LeCun在1998年提出，可以实现对手写数字、字母的识别。结构如下： LeNet-5 图中的 subsampling，即“亚采样”，就是我们前面说的pooling，因为pooling其实就是对原图像进行采样的...
卷积神经网络(CNN)经典模型分析(一）
妙乌的博客
02-19 1942
卷积神经网络（convolutional neural network, CNN），是一种专门用来处理具有类似网格结构的数据的神经网络。卷积网络是指那些至少在网络的一层中使用卷积运算来替代一般的矩阵乘法运算的神经网络。
卷积神经网络(CNN)杂记，model、train、predict模板
qq_40910093的博客
06-19 716
和在构建网络模块时必须继承且在构造函数中需要调用的构造函数不需要写反向传播函数，能够利用autograd根据你定义的前向传播函数自动实现反向传播Net中可学习参数可以通过类对象中的获取Net中可学习参数包括自己定义好的网络模块中每一层的权重weight和偏置bias，注意torch会自动随机初始化权重和偏置，可以通过类对象中的查看每一层的权重和偏置。
深度学习04-CNN经典模型
热门推荐
liaomin416100569的专栏
05-16 1万+
卷积神经网络（CNN）是深度学习中非常重要的一种网络结构，它可以处理图像、文本、语音等各种类型的数据。以下是CNN的前4个经典模型LeNet-5是由Yann LeCun等人于1998年提出的，是第一个成功应用于手写数字识别的卷积神经网络。它由7层神经网络组成，包括2层卷积层、2层池化层和3层全连接层。其中，卷积层提取图像特征，池化层降低特征图的维度，全连接层将特征映射到对应的类别上。LeNet-5的主要特点是使用Sigmoid激活函数、平均池化和卷积层后没有使用零填充。
CNN架构
云计算、数据库、大数据、容器、微服务、深度学习、NLP、Python
03-18 523
LeNet-5 特点：采用2个卷积，2个全连接层 采用sigmoid激活函数 10分类 AlexNet 5个卷积层 3个全连接层 参数6000千万 采用Relu激活函数 加入dropout 使用批标准化 100分类 VGG 获得2014年ImageNet的亚军 19层的卷积层 1.4亿个参数 采用更小的卷积核 11 33的 获得更小参数 inception 使用11 33 5*5 max_po...
CNN model系列文章
ENJOY-NOW
04-06 504
-  - Rethinking the Inception Architecture for Computer Vision
【新手适用】手把手教你从零开始实现一个基于Pytorch的卷积神经网络CNN一： 创建model模块和加载数据集
CV在读
03-12 1885
前向传播函数需要传入self和输入的变量，一般写为x，即。在函数内把之前定义好的层按顺序调用，每一层在计算后会返回结果；我们需要一个变量进行保存，即，在最后将最后一步的计算结果返回。当网络中不存在跳跃连接或密集连接等分支结构的情况下，可以直接用x作为中间变量。依次调用前面定义的网络层修改需要变化的张量维度。
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