【python】CNN算法

最新推荐文章于 2024-03-18 19:09:02 发布
最新推荐文章于 2024-03-18 19:09:02 发布
阅读量1.7k 收藏 4
点赞数
文章标签： python cnn 算法
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_53907018/article/details/120120307
版权

 

人工神经网络


 神经元


    神经网络由大量的神经元相互连接而成。每个神经元接受线性组合的输入后，最开始只是简单的线性加权，后来给每个神经元加上了非线性的激活函数，从而进行非线性变换后输出。每两个神经元之间的连接代表加权值，称之为权重（weight）。不同的权重和激活函数，则会导致神经网络不同的输出。

    举个手写识别的例子，给定一个未知数字，让神经网络识别是什么数字。此时的神经网络的输入由一组被输入图像的像素所激活的输入神经元所定义。在通过非线性激活函数进行非线性变换后，神经元被激活然后被传递到其他神经元。重复这一过程，直到最后一个输出神经元被激活。从而识别当前数字是什么字。

    神经网络的每个神经元如下

 

  基本wx + b的形式，其中

  • 、表示输入向量
  • 、为权重，几个输入则意味着有几个权重，即每个输入都被赋予一个权重
  • b为偏置bias
  • g(z) 为激活函数
  • a 为输出

 卷积神经网络之层级结构

 

 上图中CNN要做的事情是：给定一张图片，是车还是马未知，是什么车也未知，现在需要模型判断这张图片里具体是一个什么东西，总之输出一个结果：如果是车 那是什么车

所以

最左边是数据输入层，对数据做一些处理，比如去均值（把输入数据各个维度都中心化为0，避免数据过多偏差，影响训练效果）、归一化（把所有的数据都归一到同样的范围）、PCA/白化等等。CNN只对训练集做“去均值”这一步。
    中间是

  • CONV：卷积计算层，线性乘积 求和。
  • RELU：激励层，上文2.2节中有提到：ReLU是激活函数的一种。
  • POOL：池化层，简言之，即取区域平均或最大。

    最右边是

  • FC：全连接层
     

 CNN之卷积计算层

CNN怎么进行识别


   简言之，当我们给定一个"X"的图案，计算机怎么识别这个图案就是“X”呢？一个可能的办法就是计算机存储一张标准的“X”图案，然后把需要识别的未知图案跟标准"X"图案进行比对，如果二者一致，则判定未知图案即是一个"X"图案。

   而且即便未知图案可能有一些平移或稍稍变形，依然能辨别出它是一个X图案。如此，CNN是把未知图案和标准X图案一个局部一个局部的对比，如下图所示

 参考文章：https://blog.csdn.net/v_JULY_v/article/details/51812459?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522163084129916780366542043%2522%252C%2522scm%2522%253A%252220140713.130102334..%2522%257D&request_id=163084129916780366542043&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2~all~top_positive~default-1-51812459.pc_search_result_hbase_insert&utm_term=cnn&spm=1018.2226.3001.4187

giant2337
关注
  • 0
    点赞
  • 踩
  • 4
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
【深度学习】Python实现CNN操作（附代码）
qq_44747572的博客
10-25 1万+
文章目录0 动机1. Conv2. MaxPool3. Softmax4. Train >参考： https://zhuanlan.zhihu.com/p/102119808 （可以直接看这个） 0 动机 通过普通的神经网络可以实现，但是现在图片越来越大，如果通过 NN 来实现，训练的参数太多。例如 224 x 224 x 3 = 150,528，隐藏层设置为 1024 就需要训练参数 150,528 x 1024 = 1.5 亿 个，这还是第一层，因此会导致我们的网络很庞大。 另一个问题就是特征位置
基于CNN的分类算法
12-18
此程序是采用CNN的方法进行分类，其中包含爬虫，对图像数据进行爬取，对图像数据清洗，并将格式等要求不合适的数据剔除，从而使用有效数据进行训练，具体训练方式见内容，如需数据、实验报告文档，联系本人
python实现CNN中文文本分类
02-09
CNN 中文文本挖掘 文本分类 python 深度学习 机器学习 CNN 中文文本挖掘 文本分类 python 深度学习 机器学习
CNN基本原理及Python实现
vinojie的博客
05-18 1万+
CNN基本原理，和Python的简单实现过程
带你一文搞懂CNN以及图像识别（Python）
不要给自己设限，尝试更多可能（思所向 皆可往）
03-18 1379
卷积神经网络（Convolution Neural Networks，CNN）是一类包含卷积计算的前馈神经网络，是基于图像任务的平移不变性（图像识别的对象在不同位置有相同的含义）设计的，擅长应用于图像处理等任务。在图像处理中，图像数据具有非常高的维数（高维的RGB矩阵表示），因此训练一个标准的前馈网络来识别图像将需要成千上万的输入神经元，除了显而易见的高计算量，还可能导致许多与神经网络中的维数灾难相关的问题。对于高维图像数据，卷积神经网络利用了卷积核池化层，能够高效提取图像的重要“特征”，再通过后面的全连接
python中的cnn：介绍和基本使用方法
weixin_36873225的博客
08-17 1089
首先，我们加载数据并对图像数据进行归一化处理。然后，我们创建一个Sequential模型，并依次添加卷积层、池化层和全连接层。最后，我们编译模型，使用训练数据对模型进行训练，并在测试数据上评估模型的性能。卷积神经网络（Convolutional Neural Networks，简称CNN）是一种在图像识别、语音识别、自然语言处理等许多领域取得显著成功的深度学习模型。CNN的设计灵感来源于生物的视觉系统，由多个卷积层、池化层和全连接层组成。这里，我将给出一个简单的使用Keras构建CNN的例子。
使用 Python 实现的卷积神经网络初学者指南
深度学习与计算机视觉
10-19 6453
目录卷积神经网络简介其组成部分输入层卷积层池化层全连接层CNN 在数据集上的实际实现CNN简介卷积神经网络是一种专为处理图像和视频而设计的深度学习算法。它以图像为输入，提取和学习图像的特征...
Python CNN卷积神经网络实例讲解，CNN实战，CNN代码实例，超实用
热门推荐
L_goodboy的博客
11-29 3万+
Python CNN卷积神经网络实例讲解，CNN实战，CNN代码实例，套用简单
【深度学习】越来越卷，教你使用Python实现卷积神经网络（CNN）
fengdu78的博客
12-15 1万+
@Author：Runsenhttps://blog.csdn.net/weixin_44510615/article/details/117409037卷积神经网络Yann LeCun ...
人工智能：深度学习算法及应用——简单理解CNN卷积神经网络并python实现（带源码）
weixin_43973089的博客
04-20 1万+
实验四：深度学习算法及应用一、 实验目的二、 实验要求三、 实验的硬件、软件平台四、 实验原理1.1. 深度学习概述1.2. 深度学习的常见结构1.3. 卷积神经网络（CNN）**卷积****池化**全连接网络1.4. 卷积神经网络的大致结构1.5. 参数学习五、 实验内容与步骤1. 深度学习工具安装1.1. 使用pip命令安装tensorflow-gpu 1.9.01.2. 下载安装CUDA Toolkit 9.01.3. 下载cuDDN7.1.43. CNN设计4. 具体实现**最后，主要的学习过程如下
一文弄懂CNN及图像识别(Python)
小白学视觉
04-17 4367
点击上方“小白学视觉”，选择加"星标"或“置顶”重磅干货，第一时间送达一、卷积神经网络简介 卷积神经网络（Convolutional Neural Networks, CNN）是一类包含卷积计算的前馈神经网络，是基于图像任务的平移不变性（图像识别的对象在不同位置有相同的含义）设计的，擅长应用于图像处理等任务。在图像处理中，图像数据具有非常高的维数（高维的RGB矩阵表示），因此训练一个标准的前馈网络...
Python卷积神经网络CNN
weixin_39559994的博客
01-30 2234
Python卷积神经网络CNN
P300不同CNN算法实现比较
06-03
评估了脑电图信号中P300检测的不同最先进的CNN架构，并在检测性能和模型复杂性方面对它们进行了比较。 Datasets The evaluation was done on the following datasets: P300 Akimpech Database (LINI) BCI Competition II - Data set IIb BCI Competition III - Data set II BNCI Horizon 2020 Requirements Python 3.7 Tensorflow 1.14.0 NumPy SciPy Pandas matplotlib scikit-learn cudatoolkit 10.0 cudnn
基于python的CNN卷积神经网络优化MNIST数据集算法设计与实现
05-01
基于python的CNN卷积神经网络优化MNIST数据集算法设计与实现
基于python+CNN的网络入侵检测算法源码+项目说明.zip
01-24
基于python+CNN的网络入侵检测算法源码+项目说明.zip基于python+CNN的网络入侵检测算法源码+项目说明.zip基于python+CNN的网络入侵检测算法源码+项目说明.zip基于python+CNN的网络入侵检测算法源码+项目说明.zip基于...
python+CNN的网络入侵检测算法源码.zip
最新发布
04-27
cnn_mian.py为卷积神经网络处理kddcup.data.corrected_handled2.cvs数据的代码 以上两个数据集由文件夹中两个.gz文件解压得到 multi_logs文件夹记录了训练过程中TensorFlow中张量的变化及模型准确率和loss的变化...
python深度学习之卷积神经网络(CNN)的使用，包括卷积与池化（附源码，超详细）
showswoller的博客
09-24 4308
python深度学习之卷积神经网络(CNN)的使用，包括卷积与池化（附源码，超详细）
卷积神经网络CNN的简介和简单实现python
weixin_56273009的博客
06-06 1108
卷积操作是卷积神经网络的核心，其作用是将输入数据与卷积核进行卷积运算，得到特征图。池化操作是卷积神经网络的另一个重要组成部分，其作用是减少特征图的维度，从而降低计算复杂度。前向传播是指将输入数据通过网络得到输出结果的过程，反向传播是指根据损失函数计算梯度并更新网络参数的过程。卷积神经网络是一种前馈神经网络，其基本原理是通过卷积操作提取输入数据的特征，然后通过池化操作减少特征的维度，最后通过全连接层进行分类或回归。卷积神经网络的训练方法通常采用反向传播算法，其基本原理是通过计算损失函数的梯度来更新网络参数。
CNN介绍及Python(TensorFlow)实现
石奥博的博客
04-01 1270
CNN介绍及Python(TensorFlow)实现，笔记仅供方便自己学习。
python实现CNN算法
04-15
Python可以使用多种库来实现卷积神经网络（CNN）算法，其中最常用的是TensorFlow和PyTorch。以下是一个使用TensorFlow实现CNN算法的简单示例： 1. 导入所需的库： ```python import tensorflow as tf from tensorflow.keras import layers ``` 2. 构建CNN模型： ```python model = tf.keras.Sequential() # 添加卷积层 model.add(layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1))) model.add(layers.MaxPooling2D((2, 2))) # 添加更多的卷积层和池化层 model.add(layers.Conv2D(64, (3, 3), activation='relu')) model.add(layers.MaxPooling2D((2, 2))) # 添加全连接层 model.add(layers.Flatten()) model.add(layers.Dense(64, activation='relu')) model.add(layers.Dense(10, activation='softmax')) ``` 3. 编译模型： ```python model.compile(optimizer='adam', loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True), metrics=['accuracy']) ``` 4. 加载数据集并训练模型： ```python # 加载MNIST数据集 mnist = tf.keras.datasets.mnist (train_images, train_labels), (test_images, test_labels) = mnist.load_data() # 数据预处理 train_images = train_images.reshape(-1, 28, 28, 1) test_images = test_images.reshape(-1, 28, 28, 1) train_images, test_images = train_images / 255.0, test_images / 255.0 # 训练模型 model.fit(train_images, train_labels, epochs=5, validation_data=(test_images, test_labels)) ``` 这是一个简单的CNN模型实现示例，你可以根据自己的需求进行修改和扩展。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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