深度学习算法第四课——CNN原理

最新推荐文章于 2023-02-22 14:06:02 发布
最新推荐文章于 2023-02-22 14:06:02 发布
阅读量361 收藏
点赞数
文章标签： 算法 cnn 深度学习
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_52601969/article/details/120291175
版权

目录

1.卷积神经网络的应用领域

2.卷积的作用

3.卷积特征值计算方法

4.得到特征图表示

5.步长与卷积核大小对结果的影响

6.边缘填充方法

7.特征图尺寸计算与参数分享

8.池化（压缩）层的作用

1.卷积神经网络的应用领域

  • 检测任务

  •  分类与检索

  •  超分辨率重构

  • 人脸识别

2.卷积的作用

  •  整体架构

  • 卷积

        首先把图像分成每个小区域，对于不同的区域得到的特征是不一样的，选择一种计算方法计算每一块小区域的特征值。

3.卷积特征值计算方法

  • 图像颜色通道

    每个通道分别进行计算，最终把每个通道卷积的结果加在一起。

  • 卷积

    找到一个立体区域，对于每一个区域进行特征提取，得到最终的一个特征值。

 

4.得到特征图表示

  • 卷积计算的方法

            首先，摆一下数据，分成一个个小区域，对于每一个小区域，从Filter核当中选择指定大小然后计算内积，把内积的计算结果分别计算好就可以了。

 

5.步长与卷积核大小对结果的影响

  • 滑动窗口步长

    能移动的窗口越多，得到的特征值越多，得到的特征图越大。当步长比较小的时候，相当于慢慢的提取特征，细粒度的提取特征，这样提取到的特征是比较丰富的。当步长比较大的时候，走得比较粗糙，滑动比较大，得到的特征比较少，没有那么丰富。

    选择步长要根据实际任务来，一般对于图像来说，选择步长为1就可以了，但是有些任务跟图像是不太一样的，比如说有一些文本任务。

  • 卷积核尺寸

        选择3乘3得到一个结果，选择4乘4也是得到一个结果。相当于选择区域的大小以及最终得到的结果个数是不同的，卷积核越小，越是细粒度的提取。

 一般情况下滑动窗口步长为1，卷积核尺寸最小为3*3

 

6.边缘填充方法

  • 什么是边缘填充？

            有些点对计算天生就有优势，越往边界的点被利用的次数越少，我们应该使得边界点被利用的更多一些。在最外圈加上一圈0，这样原本是边界的点就不是边界了，一定程度上弥补了边界信息缺失的问题。

 

7.特征图尺寸计算与参数分享

  • 卷积结果计算公式

  •  卷积参数共享

 

8.池化（压缩）层的作用

  • 池化层

  •  最大池化（筛选、压缩、过滤）

  • 特征图变化

 

路过Coder
关注
PyTorch深度学习实战（19）——从零开始实现R-CNN目标检测
盼小辉丶的博客
10-07 3696
R-CNN (Region-based Convolutional Neural Network) 是 R-CNN 系列目标检测算法的初代模型，其将“深度学习”和传统的“计算机视觉”的相结合，在深度学习的框架下实现了高效的物体检测和识别。R-CNN 的核心思想是将目标检测任务分解为候选区域提取、特征提取、目标分类和边界框回归四个步骤。R-CNN 中的 “Region-based” 指的就是区域提议(候选区域)，用于在图像中识别对象。在本节中，我们将利用区域提议来完成图像中目标对象的检测和定位。
PyTorch深度学习实战（1）——神经网络与模型训练过程详解
最新发布
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。
卷积神经网络(LeNet)——【torch学习笔记】
诗酒趁年华。
04-25 2376
卷积神经网络(LeNet) 引用翻译：《动手学深度学习》 我们现在准备把所有的工具放在一起，部署你的第一个全功能卷积神经网络。在我们第一次接触图像数据时，我们将多层感知器应用于Fashion-MNIST数据集中的服装图片。Fashion-MNIST中的每张图片都由一个28×28的二维矩阵组成。为了使这些数据适用于多层感知器，即把输入作为一维固定长度的向量来接收，我们首先把每张图片扁平化，产生长度为784的向量，然后用一系列全连接的层来处理它们。 现在我们已经引入了卷积层，我们可以将图像保持在原来的空间组织网
时间序列预测基础教程系列(12)_训练集数据滚动窗口大小的设置(Python)
AI量化交易实验室
12-29 1万+
导读： 在组装训练数据的时候，我们经常要用过去的数据来预测当前的值，但过去数据向后去多少位，就是一个取数据窗口大小的问题了。 随着数据序列向后偏移，我们取的历史数据也要随之向后移动，这种移动的取数据方法，就叫做数据滚动窗口。 文中给出了两种取历史数据方法： 1、使用rolling函数自定义长度， 2、或者使用expanding方法，对所有先前值进行取值计算 正文： 在我们开始使用机器...
深度学习-Word2Vec
A8186的博客
02-22 538
Word2Vec是一种用于将自然语言文本中的单词转换为向量表示的技术，它被广泛应用于自然语言处理和深度学习领域。本文将介绍Word2Vec的基本原理、应用场景和使用方法。
卷积神经网络
qq_28886195的博客
02-20 760
卷积神经网络     卷积神经网络（ Convolutional Neural Networks， 简称 CNN ）可以说是深度神经 网络模 型中的“明星 ”网络架构， 在计算机视觉方面贡献颇丰。一个标准的卷积神经网络架构主要由卷积层、 池化层和全连接层等核心层次构成， 卷积层、池化层和全连接层不仅是搭建 卷积神经网络的基础，也是我们需要重点掌握和理解的内 ...
基于Matlab实现的深度学习算法
04-24
在本项目中，我们重点探讨如何利用Matlab这一强大的数学计算和数据分析环境来实现深度学习算法。 Matlab作为开发语言，以其丰富的数学函数库、可视化工具和便捷的编程环境深受科研人员和工程师喜爱。对于深度学习，...
学习笔记：深度学习（3）——卷积神经网络（CNN）理论篇
Morganfs的博客
04-12 10万+
深度学习笔记——CNN卷积神经网络理论篇。主要包括CNN的概念、基本原理、类型综述。算是比较完善的一篇文章了。
Keras深度学习实战（7）——卷积神经网络详解与实现
盼小辉丶的博客
06-02 1万+
传统深度前馈神经网络的局限性之一是它并不满足平移不变性，且容易受图像中对象大小的影响。卷积神经网络 (Convolutional Neural Network, CNN) 的提出正是用于解决传统神经网络的这些缺陷。即使对象位于图片中的不同位置或其在图像中具有不同占比，CNN 也能够正确的处理这些图像，因此在对象分类/检测任务中更加有效。本节详细介绍了 CNN 的基本概念与计算流程，同时使用 Keras 构建 CNN 模型识别手写数字。.........
lenet实验结果对比
candylu1009的博客
08-01 1735
原始结果将第一个平均池化改为最大池化1.将平均池化层替换为最大池化层，会发生什么？答损失减小精度提高2.尝试构建一个基于LeNet的更复杂的网络，以提高其准确性。调整卷积窗口大小。注意在设计模型时要清楚每层输出的特征图大小注意看这里，来更改全连接层的维度调整输出通道的数量。调整激活函数（如ReLU）。调整卷积层的数量。调整全连接层的数量。调整学习率和其他训练细节（例如，初始化和轮数）。学习率=0.1有一点点过拟合。...
BOM-调整窗口大小事件 resize
王敬辉的博客
06-03 680
调整窗口大小事件 window.onresize=function(){} window.addEventListener("resize",function(){}); window.onresize 是调整窗口大小加载事件，当触发时就调用处理函数； 注意： 只要窗口大小发生变化，就会触发这个事件 我们经常利用这个事件完成响应式布局，window.innerWidth当前屏幕宽度； <!DOCTYPE html> <html lang="en"> <head>
深度学习框架-PyTorch实战
12-03
购买课程后，添加小助手微信（微信号：csdnxy68）回复【唐宇迪】进入学习群，获取唐宇迪老师答疑深度学习框架-PyTorch实战课程旨在帮助同学们快速掌握PyTorch框架核心模块使用方法与项目应用实例，让同学们熟练使用PyTorch框架进行项目开发。课程内容全部以实战为导向，基于当下计算机视觉与自然语言处理中经典项目进行实例讲解，通过Debug模式详解项目中每一行代码的作用与效果，整体风格通俗易懂，提供全部课程所属课件。
TCP窗口大小的利与弊转载自
jusu10的博客
09-23 604
滑动窗口：是两台主机间传送数据时的缓冲区。每台TCP/IP主机支持两个滑动窗口：一个用于接收数据，另一个用于发送数据。窗口尺寸表示计算机可能缓冲的数据量大小。 滑动窗口的大小对网络性能有很大的影响。如果滑动窗口过小，则需要在网络上频繁的传输确认信息，占用了大量的网络带宽；如果滑动窗口过大，对于利用率较高，容易产生丢包现象的网络，则需要多次发送重复的数据，也同样耗费了网络带 为什么要有滑动窗口 1）H1第一次只发送出一个数据包。 2）为什么不一次发送完所有数据包？ 在英特网中，可能同时存在着数百万条TC.
窗口大小自适应
sgpian的博客
01-18 747
var h1 = document.documentElement.clientHeight;  var h2 = h1 - 63; document.getElementById("main").style.height = h2 + "px"; var w1 = document.documentElement.clientWidth; var w2 = w1 - 130; do
CNN(卷积神经网络)详解
热门推荐
nwnlp的博客
02-26 32万+
Why CNN 首先回答这样一个问题，为什么我们要学CNN，或者说CNN为什么在很多领域收获成功？还是先拿MNIST来当例子说。MNIST数据结构不清楚的话自行百度。。 我自己实验用两个hidden layer的DNN(全连接深度神经网络)在MNIST上也能取得不错的成绩(98.29%)。下面是一个三个hidden layer的网络结构图 盗图1 全连接深度神经网络，顾名思义，每个神经...
(深度学习)卷积神经网络（CNN）
adamyouyou的专栏
05-04 6231
一、卷积神经网络和传统多层神经网络区别 1.传统多层神经网络区别：没有理论指出多少层（层数没有作用） 2.卷积网络：更加有效的特征学习部分，加深网络得以有效 3.深度学习：卷积神经网络、循环神经网络，新的结构以及一些新的方法（比如新的激活函数Relu等） 二、卷积神经网络的原理 卷积网络的三个结构： 神经网络(neural networks)的基本组成包括输入层、隐藏层、输出层。而卷积神经网络的...
【深度学习】滑动窗口 (sliding window)
JNing
12-21 3万+
【深度学习】滑动窗口 (sliding window)
图像处理中图像窗口的缩放大小
qq_42612717的博客
05-25 929
如果直接使用imshow(“a”,img);a为图像标签名，img为目标图片。默认显示原图大小，不能进行图片缩放。 nameWindow（“test”，窗口类型），test为图像标签明，该方法可以新建一个显示窗口，通过指定窗口类型为： CV_WINDOW_AUTOSIZE：自动大小，默认图像大小，不能缩放。 CV_WINDOW_NORMAL：可以鼠标拖动缩放。 实例代码： import cv2 img = cv2.imread(“C:\lena.jpg”) def on_mouse(event,x,y,fl
如何确定卷积神经网络的卷积核大小、卷积层数、每层map个数
灰灰渔渔爱吃鱼
04-26 3万+
以下场景不能用Mongodb： 1、数据结果要求不能有任何错误的场合。如银行帐户数据、电商交易数据等。这是因为在网络中断、机器重启等特殊情况下，mongodb的内存缓存可能会出现与硬盘上数据不一致的状况，后续读操作可能会读到错误数据（http://www.sarahmei.com/blog/2013/11/11/why-you-should-never-use-mongodb/）。而且，网络中断
深度学习与语言模型在OCR系统中的应用——苏剑林、曾玉婷
"这篇文档是华南师范大学团队在第四届‘泰迪杯’全国数据挖掘挑战赛中的优秀作品，名为‘基于深度学习和语言模型的印刷文字OCR系统’，荣获特等奖及企业冠名奖。该系统由苏剑林和曾玉婷共同完成，旨在通过深度学习和...
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