神经网络：卷积层和池化层

已于 2024-09-15 17:09:15 修改
阅读量2.6k 收藏 35
点赞数 29
分类专栏： PyTorch深度学习入门 文章标签： 神经网络 深度学习 pytorch python
于 2024-01-13 00:10:27 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/m0_73228309/article/details/135551948
版权

🌞欢迎莅临我的个人主页👈🏻这里是我专注于深度学习领域、用心分享知识精粹与智慧火花的独特角落！🍉

🌈如果大家喜欢文章，欢迎：关注🍷+点赞👍🏻+评论✍🏻+收藏🌟，如有错误敬请指正！🪐

🍓“请不要相信胜利就像山坡上的蒲公英一样唾手可得，但是请相信生活中总有美好值得我们全力以赴，哪怕粉身碎骨！”🌹

目录

卷积层

池化层

代码实践

       学习之前我们先要了解卷积和池化间的联系——首先卷积用来提取图像特征，但是提取后图片的数据量依旧很大，所以需要通过池化来降低特征，池化没有可学习的参数，它仅仅是对输入的聚合操作。通过减小特征图的尺寸，池化层可以减少后续层的参数数量，从而降低模型的复杂度和计算量。

卷积层

       卷积层（Convolutional Layer）是神经网络中的一种基本层，主要用于图像处理和计算机视觉任务中。它通过对输入图像进行多个卷积核的卷积运算，提取出图像中的特征，生成输出特征图。

       一个卷积层通常由多个卷积核、偏置、激活函数和池化层等组成。其中，卷积核是该层的核心部分，它将输入图像中的每个像素与自身权重进行点乘，再加上偏置项，生成单个输出值。多个卷积核可以提取不同的特征，例如边缘、纹理、颜色等，从而捕获图像中更高级的结构和特征。

 我们先通过官方文档看下比较正规的卷积层说明，卷积层的使用

nn.Conv2d

Applies a 2D convolution over an input signal composed of several input planes.

这里我们重点介绍 nn.Conv2d ，即二维卷积，需要注意这里的 nn.Conv2d 和 nn.conv2d 的区别，nn.Conv2d 是一个类，可以创建可学习的卷积层，而 nn.conv2d 是一个函数，用于执行卷积操作。通常情况下，建议使用 nn.Conv2d 类来创建卷积层，因为它更加灵活，并且可以与其他模块一起使用。而 nn.conv2d 可以在需要时用作函数调用。

nn.Conv2d 相关参数如下：

  • in_channels：输入图像的通道数
  • out_channels：输出图像的通道数
最低0.47元/天 解锁文章
卷积神经网络中的“池化层”
南淮北安的博客
09-09 1万+
文章目录一、什么是“迟化”二、“池化层”的作用 一、什么是“迟化” 池化（Pooling）是卷积神经网络中另一个重要的概念，它实际上是一种形式的降采样。有多种不同形式的非线性池化函数，而其中“最大池化（Max pooling）”是最为常见的。它是将输入的图像划分为若干个矩形区域，对每个子区域输出最大值。直觉上，这种机制能够有效地原因在于，在发现一个特征之后，它的精确位置远不及它和其他特征的相对位置...
卷积层与池化层
Aliz_
08-04 7万+
构建了最简单的网络之后，是时候再加上卷积和池化了。这篇，虽然我还没开始构思，但我知道，一定是很长的文章。 卷积神经网络（Convolutional Neural Layer, CNN)，除了全连接层以外（有时候也不含全连接层，因为出现了Global average pooling），还包含了卷积层和池化层。卷积层用来提取特征，而池化层可以减少参数数量。 卷积层 先谈一下卷积层的工作原理。...
卷积神经网络(CNN)基础
最新发布
A125679880的博客
04-09 1823
在卷积神经网络（CNN）中，softmax损失函数（也称为交叉熵损失函数）是用来衡量模型预测结果与真实标签之间的差异的损失函数。它在分类任务中被广泛使用，尤其是当输出需要解释为概率分布时。定义：Softmax损失函数是结合了Softmax激活函数和交叉熵损失的函数，用于衡量模型预测结果与真实标签之间的差异。作用作为优化目标，引导模型调整参数以最小化损失。适用于多分类任务，输出概率分布便于解释和比较。
神经网络卷积层以及池化层介绍
kking_edc的博客
09-29 7185
一、二维卷积层 池化层的提出是为了缓解卷积层对位置的过度敏感性。 一、二维最大池化层和平均池化层 同卷积层⼀样，池化层每次对输⼊数据的⼀个固定形状窗⼝（⼜称池化窗⼝）中的元素计算输出。不同于卷积层⾥计算输⼊和核的互相关性，池化层直接计算池化窗⼝内元素的最⼤值或者平均值。该运算也分别叫做最⼤池化或平均池化。在⼆维最⼤池化中，池化窗⼝从输⼊数组的最左上⽅开始，按从左往右、从上往下的顺序，依次在输⼊数组上滑动。当池化窗⼝滑动到某⼀位置时，窗⼝中的输⼊⼦数组的最⼤值即输出数组中相应位置的元素。 下图展示了池化窗口形
卷积神经网络 - 池化(Pooling)篇
绎岚科技的博客
08-03 2643
在深度学习的广阔领域中，卷积神经网络（CNN）以其卓越的特征提取能力，在图像识别、视频处理及自然语言处理等多个领域展现出非凡的潜力。而池化（Pooling）作为CNN中的关键组件之一，扮演着不可或缺的角色。池化层位于连续的卷积层之间，其主要目的是通过降低特征图的维度（即减少数据的空间大小），来减少网络中的参数数量和计算量，同时保留重要特征，有效防止过拟合，并增强模型的空间不变性。简而言之，池化是CNN实现高效学习与泛化能力的重要策略之一。
卷积神经网络CNN——卷积层、池化层、全连接层
qq_59702185的博客
11-13 1万+
我们之前学习了全连接的神经网络，如下图： 利用全连接神经网络对图像进行处理存在以下两个问题：CNN⽹络受⼈类视觉神经系统的启发，⼈类的视觉原理：从原始信号摄⼊开始（瞳孔摄⼊像素 Pixels），接着做初步处理（⼤脑⽪层某些细胞发现边缘和⽅向），然后抽象（⼤脑判定，眼前的物体的形状，是圆形的），然后进⼀步抽象（⼤脑进⼀步判定该物体是只⼈脸）。下⾯是⼈脑进⾏⼈脸识别的⼀个示例： CNN网络主要有三部分构成：卷积层、池化层和全连接层构成。其中卷积层是负责提取图像中的局部特征；池化层是用来答复降低参数量级（降维
揭秘MATLAB卷积神经网络：卷积层、池化层和全连接层的秘密
[揭秘MATLAB卷积神经网络：卷积层、池化层和全连接层的秘密](https://img-blog.csdn.net/20180329143902804) # 1. MATLAB卷积神经网络简介** 卷积神经网络（CNN）是一种深度学习模型，特别适用于处理网格状数据，如...
Tensorflow基础：卷积层和池化层
蚊子爱牛牛的博客
10-12 8739
深度学习中的卷积层和池化层，已经它们在Tensorflow中的实现
深入学习卷积神经网络中卷积层和池化层的意义
热门推荐
fu6543210的博客
09-22 9万+
  为什么要使用卷积呢？ 　　在传统的神经网络中，比如多层感知机（MLP），其输入通常是一个特征向量：需要人工设计特征，然后将这些特征计算的值组成特征向量，在过去几十年的经验来看，人工找到的特征并不是怎么好用，特征有时多了（需要PCA降维），特征有时少了（容易过拟合），有时选择的特征根本就不起作用（真正起作用的特征在浩瀚的未知里面）。这就是为什么在过去卷积神经网络一直被SVM等完虐的原因。 ...
构建卷积神经网络-包括卷积层-池化层-RELU
10-03
其工作原理与传统的多层感知器神经网络不同，CNN在处理图像时使用了卷积层、池化层和激活函数，从而极大地减少了参数数量并提高了计算效率。 卷积层是CNN的核心组件之一，它的作用是通过卷积操作提取图像的特征。...
第六章.卷积神经网络(CNN)—卷积层(Convolution)&池化层(Pooling)
weixin_45116749的博客
02-20 4869
第六章.卷积神经网络(CNN)—卷积层(Convolution)&池化层(Pooling)
卷积神经网络（CNN）中的池化层（Pooling Layer）
搏博的专栏
11-19 3650
具体操作则是，基于局部相关性的思想，通过从局部相关的一组元素中进行采样或信息聚合，从而得到新的元素值。1. 自适应池化（Adaptive Pooling）：是一种灵活的池化方法，根据输入数据的特性自适应地调整池化窗口的大小和步长，以匹配特定的输出尺寸。最大池化，选择每个区域（池化层的感受野）中的最大值作为输出。绿色实线方框代表第一个感受野的位置，感受野元素集合为{1,-1,-1,-2}，在最平均池化采样的方法下。池化层的主要作用是通过减少特征图的尺寸来降低计算量，并且可以提取出特征图的主要信息。
卷积神经网络池化层
qq_45359086的博客
02-19 2250
池化层 池化层的作用 卷积网络也经常使用池化层来缩减模型的大小，提高计算速度 提高所提取特征的鲁棒性 最大池化 最大化操作的功能就是只要在任何一个象限内提取到某个特征，它都会保留在最大化的池化输出里。所以最大化运算的实际作用就是，如果在过滤器中提取到某个特征，那么保留其最大值。如果没有提取到这个特征，可能在右上象限中不存在这个特征，那么其中的最大值也还是很小。 在最大池化中很少用到Padding，所以输出维度为： ⌊nH−fs+1⌋×⌊nW−fs+1⌋×nc \left \lfloor \frac{n
卷积神经网络 - 卷积池化
Xcy的博客
06-02 3401
卷积神经网络 卷积神经网络（CNN）由输入层，卷积层，激活函数，池化层，全连接层组成。 Input - Conv - Relu - Pool - Fc 卷积层:用于特征的提取 输入图像是32 * 32 * 3（R,G,B），用一个5 * 5 * 3 的filter【注意，两个3必须相同】，得到一个28 * 28 * 1 的特征图。 如何由32经由5得到28？ 以5
卷积神经网络：池化层
Wei_sx的博客
01-08 603
池化层是卷积神经网络（CNN）中的一个重要组成部分，主要用于减少特征图的空间尺寸，从而降低。池化层通过操作来获取图像特征的显著性，同时保持重要的特征信息。
卷积神经网络-池化层
qq_41286360的博客
04-01 1841
池化层（Pooling Layer）是深度学习神经网络中的一个重要组成部分，通常用于减少特征图的空间尺寸，从而降低模型复杂度和计算量，同时还能增强模型的不变性和鲁棒性。池化层在CNN中起到了非常重要的作用，可以有效地减少模型的复杂度，提高模型的计算效率，并增强模型对输入数据的不变性和鲁棒性。例如，一个2x2的最大池化层会将每个2x2的方块区域中的4个值中的最大值作为一个单独的值输出到下一层。通过减少特征图的空间尺寸，可以减少模型的参数数量和计算量，从而加速模型的训练和推理过程。
卷积神经网络组件之卷积&池化层
skullFang的博客
12-04 2258
前言其实之前使用的bp前馈神经网络就是一个全连接神经网络，现在就是要把它封装成一个层。在卷积神经网络中会使用到。卷积神经网路（CNN）卷积神经网络也是一种前馈神经网络，相对于传统的神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现（摘自维基百科）。 怎么去解释和理解这句话呢？ 之前实现的是一个全连接神经网络，也就是说每个神经元对应一个输入，当前层的输出就是下一
【数据】卷积层和池化层
gecko
03-04 680
卷积层用来提取特征，池化层可以减少参数数量。 卷积核与对应数据的矩阵进行相乘相加得到一个值，按照这种方式每隔一个像素就操作一次，我们就可以得出9个值。这九个值形成的矩阵被我们称作激活映射。这就是我们的卷积层工作原理： 但其实我们输入的图像一般为三维，即含有R、G、B三个通道。但其实经过一个卷积核之后，三维会变成一维。它在一整个屏幕滑动的时候，其实会把三个通道的值都累加起来，最终只是输出...
深度学习CNN网络--卷积层、池化层、全连接层详解与其参数量计算
LittleRuby的博客
11-29 1万+
看Training Curve 以及 Validation Curve，在其他条件理想的情况下，如果Training Accuracy 高， Validation Accuracy 低，也就是过拟合 了，可以尝试去减少层数或者参数。卷积核“滑动”的同时，计算权重矩阵和扫描所得的数据矩阵的乘积，然后把结果汇总成一个输出像素。12的图像，然后通过了一个全连接层用一个12x12x20x100的卷积层去卷积激活函数的输出，最终得到1*100 的向量。全连接层将学到的特征表示映射到样本的标记空间的作用。
评论 1
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

打赏作者

30天

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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