卷积神经网络的最佳解释！

最新推荐文章于 2024-07-22 13:42:36 发布
最新推荐文章于 2024-07-22 13:42:36 发布
阅读量3.2k 收藏 5
点赞数 3

CNN在图像和视频识别，推荐系统和自然语言处理中有着广泛的应用。在这篇文章中举的例子是计算机视觉，但是，基本概念是一致的，可以应用于任何其他用例。


作者 | Harsh Pokharna

编译 | 专知

参与 | Yingying, Xiaowen


添加微信：MLAPython

（姓名-单位-方向）

即可加入机器学习交流群

The best explanation of Convolutional Neural Networks 

on the Internet!


CNN由由可学习权重和偏置的神经元组成。每个神经元接收多个输入，对它们进行加权求和，将其传递给一个激活函数并用一个输出作为响应。整个网络有一个损失函数，在神经网络开发过程中的技巧和窍门仍然适用于CNN。很简单，对吧？


那么，卷积神经网络与神经网络有什么不同呢？

640?wx_fmt=png

和神经网络输入不同，这里的输入是一个多通道图像（在这种情况下是3通道，如RGB）。


在我们深入之前，让我们先了解一下卷积的含义。


卷积


640?wx_fmt=png


我们用5 * 5 * 3的滤波器滑过整个图像，并在滑动过程中与滑过的图像部分点积。

640?wx_fmt=png

每个点积的结果都是标量。


那么，当我们将整个图像与滤波器进行卷积时会发生什么？

640?wx_fmt=png

 

卷积结果的大小28是怎么来的留给读者思考。（提示：有28 * 28个独特的位置，滤波器可以放在图像上）


现在回到CNN


卷积层是卷积神经网络的重要部分。

640?wx_fmt=png


卷积层包含一组独立的滤波器（在所示的例子中是6个）。每个滤波器都与图像独立卷积，最终形成6个形状为28 * 28 * 1的特征图。


假设我们有多个卷积层。然后会发生什么？

640?wx_fmt=png

 

所有这些滤波器都是随机初始化的，并在网络训练过程中学习参数。


下面是训练好的网络的例子。

640?wx_fmt=png

 

看看第一层中的滤波器（在这是5 * 5 * 3的滤波器）。通过反向传播，逐渐调整成为彩色碎片和边缘的斑点。当层次变深时，滤波器与先前一层的输出做点积。所以，他们正在用较小的彩色碎片或边缘制作出更大的碎片。


对于特定的特征图，每个神经元仅与输入图像的一小块连接，并且所有神经元具有相同的连接权重，这就是CNN与神经网络的最大区别。


参数共享和局部连接

参数共享指的是特定特征图中所有神经元的权重共享。


局部连接是每个神经只与输入图像的一个子集连接（不同于全连接的神经网络）

这有助于减少整个系统中的参数数量，并使计算更加高效。


池化层


池化层是CNN的另一个构建块。

640?wx_fmt=png

 其功能是逐步缩小表示空间的大小，以减少网络中的参数和计算量。池化层独立地在每个特征映射上工作。


最常用的方法是最大池化（max pooling）。

640?wx_fmt=png


CNN的典型架构


640?wx_fmt=png

我们已经介绍了卷积层（由CONV表示）和池化层（由POOL表示）。


RELU只是一个应用于神经单元的非线性激活函数。


FC是CNN末端的全连接层。全连接层中的神经元与前一层中的所有激活都有完全连接，如常规神经网络中所见，并以相似的方式工作。


CNN架构有许多变化，但正如我之前提到的，基本概念保持不变。


原文链接：

https://medium.com/technologymadeeasy/the-best-explanation-of-convolutional-neural-networks-on-the-internet-fbb8b1ad5df8


640?wx_fmt=png

qq_28168421
关注
【3】卷积神经网络的本质探索
jho9o5的博客
07-17 1616
引子   在深度神经网络的领域下，卷积神经网络（Convolutional Neural Networks，CNN ）是最为成功的DNN的特例之一，CNN广泛应用于图像识别领域，另外它也可以应用于NLP领域。因此，在学完前面两节的基础上，我们赶紧来学学传说中的卷积神经网络吧！ ...
卷积神经网络的结构特点,卷积神经网络通俗解释
aifamao6的博客
09-15 209
卷积神经网络（ConvolutionalNeuralNetwork,CNN）是一种前馈神经网络，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文案狗。[1] 它包括卷积层(alternatingconvolutionallayer)和池层(poolinglayer)。卷积神经网络是近年发展起来，并引起广泛重视的一种高效识别方法。
卷积神经网络理解
Alex999000的博客
09-17 364
卷积神经网络的初步理解
卷积神经网络（CNN）
最新发布
Gaga246的博客
07-22 1169
卷积神经网络是一种多层神经网络，擅长处理图像特别是大图像的相关机器学习问题。 最典型的卷积网络，由卷积层、池化层、全连接层组成。其中卷积层与池化层配合，组成多个卷积组，逐层提取特征，最终通过若干个全连接层完成分类。 卷积层完成的操作，可以认为是受局部感受野概念的启发，而池化层，主要是为了降低数据维度。 综合起来说，CNN通过卷积来模拟特征区分，并且通过卷积的权值共享及池化，来降低网络参数的数量级，最后通过传统神经网络完成分类等任务。
理解卷积神经网络
weixin_44682222的博客
07-30 352
在百度做了6年人工智能方面的编程开发，也有很多这方面的经验吧，从古至今，机器人一直承载着人类巨大的梦想。随着各类传感器、语音交互、机器识别、SLAM等技术的蓬勃发展，机器人开始从科幻作品中走出，走进人们的生活。下面给大家简述一下深度学习方面的卷积神经网络。   这几年深度学习快速发展，在图像识别、语音识别、物体识别等各种场...
卷积神经网络的理解
lxmzxl的博客
06-10 221
https://blog.csdn.net/smilejiasmile/article/details/80752889
通俗讲解卷积神经网络
weixin_42272768的博客
05-14 903
卷积神经网络是目前很火热的一种深度学习神经网络，尤其是在图像识别领域。 卷积神经网络的前身就与视觉感受神经系统有关系。早在1970年代，日本学者福岛邦彦提出了一种基于视觉神经的多层网络。 卷积神经网络，重要的一个内容就是卷积。这个卷积就是用一个小的矩阵去和输入的信息做乘法并相加。 在图像处理领域，也经常使用类似的手段实现图像处理。这也可以解释为什么卷积神经网络适合处理图像识别问题。 第二个重要的内容是池化。池化一般是选出一个方形区域里面的最大值。这就是一种滤波方式或者说平滑方式。当然也可以取平均值或者中位值
学习笔记：深度学习（3）——卷积神经网络（CNN）理论篇
热门推荐
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。
什么是深度卷积神经网络,卷积神经网络怎么学
aifamao6的博客
08-27 2147
这种分层结构，是比较接近人类大脑的结构的。现在回到我们的主题DeepLearning，我们需要自动地学习特征，假设我们有一堆输入I（如一堆图像或者文本），假设我们设计了一个系统S（有n层），我们通过调整系统中参数，使得它的输出仍然是输入I，那么我们就可以自动地获取得到输入I的一系列层次特征，即S1，…2006年，hinton提出了在非监督数据上建立多层神经网络的一个有效方法，简单的说，分为两步，一是每次训练一层网络，二是调优，使原始表示x向上生成的高级表示r和该高级表示r向下生成的x'尽可能一致。...
卷积神经网络模型可解释性
吴建明wujianming_110117
05-04 2590
卷积神经网络模型可解释性 缺乏可解释性仍然是在许多应用中采用深层模型的一个关键障碍。在这项工作中，明确地调整了深层模型，这样人类用户可以在很短的时间内完成他们预测背后的过程。具体地说，训练了深度时间序列模型，使得类概率预测具有较高的精度，同时被节点较少的决策树紧密地建模。使用直观的玩具例子以及治疗白血症和HIV的医疗任务，这种新的树正则化产生的模型比简单的L1或L2惩罚更容易模拟，而不牺牲预测能力...
卷积神经网络训练访存优化.pdf
09-25
### 卷积神经网络训练访存优化 #### 关键知识点概览 1. **批归一化算法（Batch Normalization, BN）的作用及其在深度学习中的应用** 2. **批归一化算法带来的“存储墙”瓶颈问题及其原因分析** 3. **多层融合与批...
神经网络的可解释性——Network Dissection: Quantifying Interpretability of Deep Visual Representations
isMarvellous的博客
07-23 2万+
本文是周博磊大神CVPR 2017年的文章，主要关注网络的可解释性。神经网络的可解释性一直是一个很有趣也很有用的东西。很多情况下大家都把神经网络作为一个黑箱来用，而近年来也有越来越多的工作希望能够探索神经网络到底学习到了什么，比如利用deconvolution进行可视化，周博磊去年的Learning Deep Features for Discriminative Localization等。
通俗理解卷积神经网络
weixin_33852020的博客
05-21 196
原文https://blog.csdn.net/jasonjwl/article/details/52488407 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。 01 conv： a. 深度depth：神经元个数，决定输出的depth厚度。同时代表滤波器个数。　　b. 步长strid...
最通俗易懂的解释卷积神经网络
opbg-21
04-23 431
https://blog.csdn.net/u013995172/article/details/86529563
深度学习：通俗理解卷积神经网络（CNN-Convolutional Neural Networks）
weixin_42117855的博客
05-05 305
理想的情况下，我们希望，对于那些仅仅只是做了一些像平移，缩放，旋转，微变形等简单变换的图像，计算机仍然能够识别出图中的"X"和"O"。btw，不同人的双眼 看同一个局部信息 所感受到的不同，即一千个读者有一千个哈姆雷特，所以不同的滤波器 就像不同的双眼，不同的人有着不同的反馈结果。与此同时，数据窗口滑动，导致输入在变化，但中间滤波器Filter w0的权重（即每个神经元连接数据窗口的权重）是固定不变的，这个权重不变即所谓的CNN中的参数（权重）共享机制。通常情况下，在CNN中，FC层只会在尾部出现。
卷积神经网络的直观解释
tianxieeryang的博客
11-01 6045
什么是卷积神经网络，为什么它们很重要？ 卷积神经网络（ConvNets或CNN）是神经网络的一个类别，在图像识别和分类等领域已被证明非常有效。除了机器人和自驾车的视觉驱动之外，ConvNets已经成功地识别了面部，物体和交通标志。 图1：源[1] 在上图1中，ConvNet能够识别场景，系统能够建议相关字幕（“足球运动员正在踢足球”），而图2显示了ConvNets用于识别
【综述】一文读懂卷积神经网络(CNN)
qq_43673118的博客
09-07 2万+
卷积神经网络是多层感知机(MLP)的变种，由生物学家休博尔和维瑟尔在早期关于猫视觉皮层的研究发展而来，视觉皮层的细胞存在一个复杂的构造，这些细胞对视觉输入空间的子区域非常敏感，称之为感受野。CNN由纽约大学的Yann Lecun于1998年提出(LeNet-5)，其本质是一个多层感知机，成功的原因在于其所采用的局部连接和权值共享的方式：一方面减少了权值的数量使得网络易于优化；另一方面降低了模型的复杂度、减小了过拟合的风险。当网络的输入为图像时，这些优点将表现地更加明显。
卷积神经网络学习笔记与心得（3）卷积
bubingyang的博客
02-11 691
数字图像是一个二维的离散信号，对数字图像做卷积操作其实就是利用卷积核（卷积模板）在图像上滑动，将图像点上的像素灰度值与对应的卷积核上的数值相乘，然后将所有相乘后的值相加作为卷积核中间像素对应的图像上像素的灰度值。 从卷积的效果来看，在二维图像上进行卷积时，卷积核对所在区域上符合某种条件的像素赋予较多的权重，其他的像素赋予的权重较少，这可以看作是一种滤波行为，因此卷积神经网络的卷积核有时也被称为滤...
卷积神经网络 前沿研究有哪些
02-28
卷积神经网络（Convolutional Neural Networks，CNNs）是深度学习中广泛应用的一种神经网络模型，主要用于图像分类、目标检测、语音识别等任务。近年来，CNNs的研究在不断地推进，以下是一些CNNs前沿研究的例子： 1. 神经架构搜索（Neural Architecture Search，NAS）：使用神经网络自动搜索最佳的CNNs结构，以获得更高的准确率和更快的速度。目前已经出现了很多NAS方法，如AmoebaNet、ENAS、DARTS等。 2. 轻量级CNNs：针对移动设备等计算资源有限的场景，研究者们提出了一些轻量级CNNs，如MobileNet、ShuffleNet、EfficientNet等，这些模型在保持较高准确率的同时，参数量和计算量都很小。 3. 自注意力机制（Self-Attention）：自注意力机制是一种新兴的神经网络模块，可以在输入序列中寻找相关性，并根据相关性来加权计算每个位置的表示，从而达到更好的性能。自注意力机制已经被广泛应用于自然语言处理和计算机视觉领域，如BERT、GPT、ViT等。 4. 对抗攻击和防御：对抗攻击是指在输入中添加一些干扰，从而让神经网络的输出发生误判。针对这个问题，研究者们提出了一些对抗防御方法，如对抗训练、对抗降噪、对抗蒸馏等。 5. 可解释性：CNNs通常被认为是“黑盒子”模型，即我们无法解释它们的内部工作机制。为了让CNNs更具可解释性，研究者们提出了一些方法，如可视化激活、梯度可视化、CAM、Grad-CAM等。这些方法可以帮助我们理解模型的决策过程和学习到的特征。
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