卷积神经网络的发展历程

最新推荐文章于 2024-08-11 08:00:00 发布
最新推荐文章于 2024-08-11 08:00:00 发布
阅读量4.7k 收藏 17
点赞数 1
分类专栏： 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/qq_37099552/article/details/102991153
版权
本文介绍了卷积神经网络的发展，从AlexNet引入ReLU和dropout防止过拟合，到VGG Net加深网络提高准确性；再到GoogLeNet的Inception结构，ResNet的残差连接解决梯度消失问题，最后是DenseNet的密集连接策略，不断提升网络性能。
摘要由CSDN通过智能技术生成

AlexNet

卷积神经网络取得的第一个进步是AlexNet网络，它是在2012年提出的。这里有一些关键的改进：它提出了ReLu，也就是有助于防止消失的梯度问题；它也引入了dropout的概念，使得每层中神经元随机地打开和关闭，防止过拟合。如果你的数据过于相似，它不能够对相似但不同的图像进行分类，因为它过拟合了你的训练数据。

因此dropout是一种防止过拟合的正则化技术，通过随机地打开和关闭神经元，数据被迫寻找新的路径，因为它被迫寻找新的路径，网络能够更好地泛化；卷积网络也引入了数据增强的想法，AlexNet或者AlexNet的作者将经过不同角度旋转的图像送入AlexNet网络，而不是仅仅放入单一角度的，这使得它更好的适用于不同的角度，这是一个更深的网络，所以他们增加了更多的层，这提高了分类的准确性。

VGG Net

在这之后，就是VGG Net。其中最大的变化是，我们添加了更多的层。

GoogLeNet

GoogLeNet卷积核的尺寸不同。我们在同一个输入中，把它连接在一起。在单独的层操作，而不是只经过一次卷积操作。我们先是乘法，接下来是求和操作。它先是乘一些东西，再乘一

最低0.47元/天 解锁文章
旅人_Eric
关注
专栏目录
【卷积神经网络发展历程】从LeNet、AlexNet到ResNet、SENet
gogo小Sa的专栏
06-30 2万+
    经典的LeNet诞生于1998年。然而之后CNN的锋芒开始被SVM等手工设计的特征盖过。随着ReLU和dropout的提出，以及GPU和大数据带来的历史机遇，CNN在2012年迎来了历史突破–AlexNet，从此CNN呈现爆炸式发展。     从此，Deep Learning一发不可收拾，ILSVRC每年都不断被Deep Learning刷榜，如图1所示，随着模型变得越来越深，Top-5...
卷积神经网络的发展史
23岁中单想学python
03-28 1161
LeNet：第一个成功的卷积神经网络应用 AlexNet：类似LeNet，但更深更大。使用了层叠的卷积层来抓取特征（通常是一个卷积层马上一个max pooling层） ZF Net：增加了中间卷积层的尺寸，让第一层的stride和filter size更小。 GoogLeNet(Inception)：减少parameters数量，最后一层用max pooling层代替了全连接层。 VGGNet：...
【卷积神经网络-进化史】从LeNet到AlexNet
热门推荐
AutoVision (by 仙道菜)
05-17 7万+
本系列博客是对刘昕博士的《CNN的近期进展与实用技巧》的一个扩充性资料。 主要引用刘昕博士的思路，将按照如下方向对CNN的发展作一个更加详细的介绍：【从LeNet到AlexNet】、【进化之路一：网络结构加深】、【进化之路二：加强卷积功能】、【进化之路三：从分类到检测】、【进化之路四：新增功能模块】
卷积神经网络 - 卷积神经网络与深度学习的历史篇
最新发布
绎岚科技的博客
08-11 1219
卷积神经网络（Convolutional Neural Networks, CNN）与深度学习作为人工智能领域的两大重要分支，其发展历程充满了探索与突破。深度学习，作为一系列算法的统称，旨在模拟人类大脑中的学习和思维过程，其核心在于通过神经网络的多层结构自动构建并提取数据特征。而卷积神经网络，作为深度学习的代表算法之一，特别擅长于处理图像和视频等具有网格化特征的数据，其发展历程更是与计算机视觉领域的进步紧密相连。
卷积神经网络发展历程
weixin_38498942的博客
06-10 4078
经典的LeNet诞生于1998年。然而之后CNN的锋芒开始被SVM等手工设计的特征盖过。随着ReLU和dropout的提出，以及GPU和大数据带来的历史机遇，CNN在2012年迎来了历史突破–AlexNet，从此CNN呈现爆炸式发展。 从此，Deep Learning一发不可收拾，ILSVRC每年都不断被Deep Learning刷榜，如图所示，随着模型变得越来越深，Top-5的错误率也越来越低，目前降到了2.25%附近（2017，SENet），而在同样的ImageNet数据集合上，人眼的辨识错误率大概在5
卷积神经网络发展现状,卷积神经网络发展历程
aifamao3的博客
08-22 1149
4.卷积神经网络仿造生物的视知觉（visualperception）机制构建，可以进行监督学习和非监督学习，其隐含层内的卷积核参数共享和层间连接的稀疏性使得卷积神经网络能够以较小的计算量对格点化（grid-liketopology）特征，例如像素和音频进行学习、有稳定的效果且对数据没有额外的特征工程（featureengineering）要求。或通过脑机交互，将计算与生命体融合，构建以虚拟脑与生物脑为物质基础的脑机一体化的超级大脑，最终建立新型的计算结构与智能形态。这个过程不断重复，直到输出神经元被激发。
卷积神经网络发展历程与部分经典模型总结
08-17
"卷积神经网络发展历程与部分经典模型总结" 卷积神经网络（Convolutional Neural Networks，CNN）是深度学习中最重要的组成部分之一，自从20世纪80年代被提出以来，CNN已经经历了多次发展和改进。今天，我们将回顾...
卷积神经网络和神经网络,卷积神经网络发展历程
神经网络爱好者
08-22 2133
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。
卷积神经网络的发展历程：从Zero到Hero
AI天才研究院
01-07 1508
1.背景介绍 卷积神经网络(Convolutional Neural Networks，简称CNN)是一种深度学习模型，主要应用于图像和视频处理领域。它的核心思想是通过卷积层和池化层等组件，自动学习图像的特征，从而实现图像分类、目标检测、图像生成等复杂任务。 CNN的发展历程可以分为以下几个阶段： 传统图像处理方法 卷积神经网络的诞生 CNN的发展与创新 现代CNN的应用和挑战 本文将...
卷积神经网络发展历程(部分)
m980828的博客
07-22 1910
卷积神经网络发展历程
卷积神经网络的发展历程(不定期更新)
qq_36167072的博客
07-16 3157
CNN主要的经典结构包括：LeNet、AlexNet、ZFNet、VGG、NIN、GoogleNet、ResNet、SENet等，其发展过程如下图所示。（下图来自刘昕博士《CNN的近期进展与实用技巧》） 1、LeNet-5 LeNet是卷积神经网络的祖师爷LeCun在1998年提出，用于解决手写数字识别的视觉任务。自那时起，CNN的最基本的架构就定下来了：卷积层、池化层、全连接层。如今...
卷积神经网络最全面的发展简史
sun的博客
04-02 1690
很好的文章！！！！！ https://www.jiqizhixin.com/articles/2019-05-27-4 http://www.lunarnai.cn/2018/07/03/Brief_history_CNN/
CNN网络架构演进：从LeNet到DenseNet
weixin_30268071的博客
02-17 286
卷积神经网络可谓是现在深度学习领域中大红大紫的网络框架，尤其在计算机视觉领域更是一枝独秀。CNN从90年代的LeNet开始，21世纪初沉寂了10年，直到12年AlexNet开始又再焕发第二春，从ZF Net到VGG，GoogLeNet再到ResNet和最近的DenseNet，网络越来越深，架构越来越复杂，解决反向传播时梯度消失的方法也越来越巧妙。新年有假期，就好好总结一波CNN的各种经典架构吧，领...
卷积神经网络的发展过程
YonminMa的博客
02-13 3704
本文从LeNet开始，分析了AlexNet, VGG, 残差模型以及Inception的各种版本的模型，让读者对卷积神经网络整体有个清楚的了解。
卷积神经网络发展进程
weixin_57342469的博客
07-31 1041
卷积神经网络发展历程
经典CNN卷积神经网络发展史+论文+网络实现(PyTorch)
weixin_45897172的博客
12-15 5491
经典CNN卷积神经网络发展史+网络实现(PyTorch)
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