神经网络与深度学习 Class 13：卷积神经网络

最新推荐文章于 2024-09-15 18:10:00 发布
最新推荐文章于 2024-09-15 18:10:00 发布
阅读量1.8k 收藏 2
点赞数 1
分类专栏： Python 机器学习 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/m0_49939117/article/details/121216409
版权

目录

13.1 深度学习基础

13.2 图像识别与深度学习

13.3 图像卷积

13.4 卷积神经网络

13.1 深度学习基础

特征工程：尽可能选择和构建出好的特征，使得机器学习算法能够达到最佳性能

深度神经网络：有多层隐含层的神经网络 

深度学习三要素：数据、算法、计算力

13.2 图像识别与深度学习

图像识别核心问题：图像特征的提取

图像特征包含：形状特征、颜色特征、纹理特征 

13.3 图像卷积

图像卷积运算：图像中的每个像素点，用其周围像素点的灰度值加权求和调整该点的灰度值

卷积核/卷积模板

 将图像和卷积核一一对应，加权求和 得到新的灰度值

 步长：卷积核一次移动的像素数

 均值模糊

高斯模糊

 

边缘检测 

13.4 卷积神经网络

CNN

 卷积层

池化层

 

 

 

 

 

By4te
关注
专栏目录
AI人工智能深度学习算法：卷积神经网络的原理与应用
程序员光剑
04-23 525
AI人工智能深度学习算法：卷积神经网络的原理与应用 1. 背景介绍 1.1 人工智能与深度学习的兴起 人工智能(Artificial Intelligence, AI)是当代科技发展的热点领域之一,旨在使机器能够
PyTorch深度学习实战（1）——神经网络与模型训练过程详解
热门推荐
盼小辉丶的博客
05-28 6万+
在本节中，我们将了解传统机器学习与人工神经网络间的差异，并了解如何在实现前向传播之前连接网络的各个层，以计算与网络当前权重对应的损失值；实现反向传播以优化权重达到最小化损失值的目标。并将实现网络的所有关键组成——前向传播、激活函数、损失函数、链式法则和梯度下降，从零开始构建并训练了一个简单的神经网络。
《神经网络与深度学习》_邱希鹏_学习总结拓展及课后习题答案_持续更新...
Ashinhuang的博客
01-21 5207
《神经网络与深度学习》学习总结及课后习题答案_持续更新第五章 卷积神经网络 第五章 卷积神经网络 小结：本节主要讲了卷积的一些基本特性，比如局部连接、权重共享、汇聚层，并从一维、二维层面用非常直观的图片展示了卷积的特性；卷积核是否进行翻转和其特征抽取的能力无关；不同的卷积核相当于不同的特征提取器；从仿射变换的视角解释了转置卷积，虽然转置卷积也称反卷积，但是反卷积的称呼并不恰当，因为它不是卷积的逆运算。 部分习题： 习题5-3、分析卷积神经网络中用1×1滤波器的作用–待修正 其一，可用于降低维度。例如当图像大
邱锡鹏《神经网络与深度学习》—— 部分习题答案整理
zzbro
10-28 3万+
nndl
神经网络与深度学习——TensorFlow实践（十四）
lt_BeiMo的博客
06-30 2685
深度学习的基本思想： 练习一 1下列说法错误的是______。 A.传统机器学习中依靠人工方式来提取和设计特征 B.传统机器学习中特征的计算、调整和测试需要大量时间 C.深度学习通过数据驱动，能够自动从数据中学习与任务相关的特征 D.深度学习中提取出的特征具有可解释性 正确答案：D 2在训练好的深度神经网络中，低层隐含层（特征层）的输出更接近原始输入数据，随着隐含层层数的增加，输出的特征变得抽象。 A.对 B.错 正确答案：A 3深度
图像特征提取：图像的矩特征
weixin_34392906的博客
09-28 1245
1. 矩的概念 图像识别的一个核心问题是图像的特征提取，简单描述即为用一组简单的数据（图像描述量）来描述整个图像，这组数据越简单越有代表性越好。良好的特征不受光线、噪点、几何形变的干扰。图像识别发展几十年，不断有新的特征提出，而图像不变矩就是其中一个。 矩是概率与统计中的一个概念，是随机变量的一种数字特征。设X为随机变量，c为常数，k为正整数。则量E[(x−c)k]称为X关于c点的k阶矩。 ...
深度学习（15）：卷积神经网络
awake020
05-03 488
本文以图像分类为例简要介绍卷积神经网络的基本结构。 卷积 过滤器（核）： 过滤器是我们用来卷积的工具。对于一张图片，我们可以利用过滤器来抓取图片的某些特征。 一个过滤器是一个 f * f 的矩阵， 其中的每一个元素都是可训练的参数。 我们假设现在有一个6 * 6的灰度图，3 * 3的过滤器，那么卷积的过程如下： 1.将过滤器覆盖在图片的左上角，计算9个位置对应元素的乘积并加和作为一个输出 2.将过...
深度学习——卷积神经网络02
Latterain的博客
06-25 410
文章目录卷积神经网络LeNetAlexNetAlexNet特点VGGGoogLeNet 多分辨率融合ResNetDeepFaceU-Net 卷积神经网络 卷积神经网络的基本构成： 卷积层+池化层+全连接层 网络的整体思路架构是：卷积层+池化层+非线性变化层，然后到全连接层将输入归结到不同 类别的概率值； LeNet 输入尺寸是32*32像素；卷积层3个；降采样层2个；全连接层1个；输出10个类别。 AlexNet 关于AlexNet的来源连接： https://www.jianshu.com/p/5816
深度学习实战：基于卷积神经网络的图像识别的实验心得与案例解析
05-08
### 深度学习实战：基于卷积神经网络的图像识别的实验心得与案例解析 #### 1. 引言 深度学习作为一种机器学习技术，近年来在计算机视觉、自然语言处理等领域取得了显著成就。其中，卷积神经网络（Convolutional ...
神经网络与深度学习 作业7：第五章课后题（1×1 卷积核 | CNN BP）
weixin_53651790的博客
10-29 2233
第五章课后题
《动手学习深度学习》之三：1.卷积神经网络（CNN）基础（打卡2.4）
01-07
卷积神经网络（CNN） 1.卷积神经网络基础 1.1.基础概念 1.1.1.卷积层 1.1.2.填充、步幅、输入通道、输出通道的含义 1.1.3.池化层 1.1.4.二维互相关运算 二维互相关（cross-correlation）运算的输入是一个二维输入...
基于深度学习的多模态信息检索
weixin_42605076的博客
09-13 1283
基于深度学习的多模态信息检索技术，通过多模态特征的提取、融合和匹配，实现了从多种数据模态中进行高效检索的能力。随着深度学习技术的不断进步，特别是注意力机制和变换器架构的应用，多模态信息检索将在多个领域展现出更广泛的应用前景和潜力。
【图像去噪】论文精读：Enhanced CNN for image denoising（ECNDNet）
畅游计算机视觉的海洋
09-14 334
论文题目：Enhanced CNN for image denoising —— 用于图像去噪的增强CNN由于深度卷积神经网络 (CNN) 的灵活架构已成功用于图像去噪。然而，它们存在以下缺点：（i）深度网络架构很难训练。(ii)更深的网络面临性能饱和的挑战。在这项研究中，作者提出了一种称为增强卷积神经网络 (ECNDNet) 的新方法。具体来说，他们使用残差学习和批量归一化技术来解决训练困难的问题，加快网络的收敛性。此外，在所提出的网络中使用扩张卷积来扩大上下文信息并降低计算成本。
【深度学习】【OnnxRuntime】【Python】模型转化、环境搭建以及模型部署的详细教程
yangyu0515的博客
09-13 1510
【深度学习】【OnnxRuntime】【python】模型转化、环境搭建以及模型部署的详细教程
深度学习实战89-基于改造后的长短期记忆网络LSTM 的猪肉价格预测模型研究
weixin_42878111的博客
09-13 429
大家好，我是微学AI，今天给大家介绍一下深度学习实战89-基于改造后的长短期记忆网络LSTM 的猪肉价格预测模型研究。本文围绕基于改造后的长短期记忆网络 LSTM 的猪肉价格预测模型展开研究。首先介绍项目背景，阐述进行猪肉价格预测的重要性。接着详细讲解改造后的 LSTM 模型原理，为预测提供理论基础。
【梯度消失|梯度爆炸】Vanishing Gradient|Exploding Gradient——为什么我的卷积神经网络会不好呢？
最新发布
985小水博的摸鱼日常
09-15 892
【梯度消失|梯度爆炸】学习笔记
深度学习速通系列:除了One-Hot编码，还有哪些其他处理分类数据的方法？
Ven%的博客
09-14 608
选择哪种编码方法取决于数据的特点、模型的类型以及特定的业务问题。在实际应用中，可能需要尝试多种方法，并通过模型性能来评估它们的有效性。
使用注意力机制可以让你的模型更加灵活，但是需要额外的计算资源。rnn lstm bilstm attension
09-14 697
在这个例子中，我们定义了一个简单的注意力模块，并使用它来计算注意力权重，然后利用这些权重对双向LSTM的输出进行加权求和，得到一个上下文向量。# 输出形状应该是 (batch, 2 * hidden_size)，如果需要进一步处理可以再使用线性层。1. **计算注意力分数**：根据输入的查询（query）和键（key）计算注意力分数。2. **应用softmax**：对注意力分数应用softmax函数，使其成为概率分布。3. **加权求和**：使用注意力权重对值（value）进行加权求和，得到上下文向量。
机器学习和深度学习的常见概念总结(多原创图)
虾米记的博客
09-11 994
这是我对机器学习和深度学习的一些常见概念的全面总结，面试用，有很多图表和公式
深度学习PyTorch实战：卷积神经网络详解
在深度学习领域，卷积神经网络（Convolutional Neural Network, CNN）是处理图像数据的重要工具，尤其是在计算机视觉任务中表现出色。本资源主要讲解了卷积神经网络的基础知识，特别是二维卷积层及其在PyTorch中的...
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