Xiang神经网络总结（五）

最新推荐文章于 2022-03-02 09:39:42 发布
最新推荐文章于 2022-03-02 09:39:42 发布
阅读量163 收藏 1
点赞数
文章标签： 卷积神经网络
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_39199850/article/details/116242920
版权

让我们敲开卷积神经网络的大门!
在这里插入图片描述
结构图心中有，走在路上不会丢。
首先我们研究图像怎么表示
在这里插入图片描述
还是直接展开为列向量。
在这里插入图片描述
全连接神经网络的瓶颈：全连接网络每一个隐层的神经元都和前层的所有输入连接，考虑CIFAR10.一个神经元权值个数有3072+1（偏置）个，如果图像大小2002003，一个神经元就12万个权值个数，这只是一个神经元，一层可能有一千个，有好多隐层，这谁顶得住，生产队的牛都顶不住啊！
我们刚刚在前一节用卷积核得到了特征相应图组，并考虑忽略位置信息的平均特征响应图组，这个权值少啊！把这个平均特征权值当作全连接神经网络的输入，不就解决了参数庞大的，易过拟合，不易训练的问题了嘛！
在这里插入图片描述
基于此我们得到了卷积神经网络的结构图!
在这里插入图片描述
卷积神经网络一个典型的场景。
为什么要有这么多的ConV层？实际上前层的纹理基元所需的ConV层并不多，后层的ConV层逐渐递进，有基元信息慢慢抽象出了语义信息。
在这里插入图片描述
这里注意我们的卷积核组得到的特征响应图组我们并不关心位置信息对我们图片分类的影响，所以我们对得到的权值向量进行平均（在最后与FC层连接的卷积核）。在这里插入图片描述
在这里插入图片描述
卷积操作，和我们之前提到的卷积操作并没有什么本质上的区别。
在这里插入图片描述

在这里插入图片描述
特征响应图组的个数等于使用卷积核的个数。一想就懂。在这里插入图片描述
在这里插入图片描述

在这里插入图片描述
这里特征响应图因为没有做平均所以还是记录了对应位置对对应卷积核的响应信息。
在这里插入图片描述
在这里插入图片描述
一些计算特征：
在这里插入图片描述

在这里插入图片描述
ReLu层就是对特征响应图进行非线性操作。
在这里插入图片描述
接下来我们讨论POOL层
在这里插入图片描述
pooling层，再不损失特征响应图信息的情况下，尽量的减少特征响应图的尺寸，方便计算。在这里插入图片描述
在这里插入图片描述

在这里插入图片描述
最后一个pooling层对得到的裁剪后的特征响应图进行平均得到：在这里插入图片描述
平均值，忽略位置信息，连接全连接层，正向传播，反向更新！成了！

在这里插入图片描述
我们讨论图像增强的问题。在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

Xiang_Mamba
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
MATLAB神经网络原理与实例精解
06-28
《MATLAB神经网络原理与实例精解》首先简要介绍了MATLAB软件的使用和常用的内置函数，随后分门别类地介绍了BP网络、径向基网络、自组织网络、反馈网络等不同类型的神经网络，并在每章的最后给出了实例。在全书的最后，又以专门的一章收集了MATLAB神经网络在图像、工业、金融、体育等不同领域的具体应用，具有很高的理论和使用价值。全书内容详实、重点突出，从三个层次循序渐进地利用实例讲解网络原理和使用方法，降低了学习门槛，使看似神秘高深的神经网络算法更为简单易学。
神经网络设计 . 美国 Hagan.清晰版
06-28
本书介绍了神经网络的基本结构和学习规则，重点是对这些神经网络的数学分析、训练方法和神经网络在模式识别、信号处理以及控制系统等工程实践问题中的应用。本书尽力用清晰和一致的方式来组织材料，以易于阅读和使用...
图像特征之Harris角点检测
sky的博客
07-21 2994
1. 角点与角点的检测 1.1 什么是角点？ 从图像分析的角度来看，一般而言角点有如下两种定义： 角点可以是两个边缘的角点； 角点是邻域内具有两个主方向的特征点； 如同下图所示，前俩例子一个是平坦区域，一个是边缘。第三个就如上述两种定义方式的角点一样，设置一个滑动窗口，无论朝那个方向移动，对应位置上的亮度都会有很大变化， 1.2 不同的角点检测方法 角点定义出来了以后，如何检测角点呢？这个有好多种方法，比如以前提到的orb特征里的fast关键点的检测方式，就是一种角点检测方法。本文提到的ha
图像分析之ORB特征
CG-SpatialAI
07-13 1132
文章目录OverviewFeature/Corner DetectorDescriptoroFAST: FAST Keypoint OrientationMultiscale Image PyramidFAST (Features from Accelerated and Segments Test)NMS (Non-Maximal Suppression)Uniform DistributionOrientation by Intensity Centroid (IC)Gaussian FilterrBR
深度学习——一些零零散散的知识点（边学边更新）
m0_56945333的博客
03-02 2290
本文用于记录一些在学习当中遇到的零散知识点或一些比较有意思的想法。
卷积神经网络（个人总结）
Jack11998的博客
01-09 4049
卷积与图像去噪 写这篇博文完全是为了自己理一下卷积的相关概念以及思路。 先来说一下什么是噪声，噪声就说图像中的白点，也就是图像中为255的那些像素。噪声分为椒盐噪声(黑色像素和白色像素随机出现)，脉冲噪声(白色像素随机出现)，高斯噪声(噪声强度变化服从高斯分布(正态分布))。 解决方法：中值滤波，即用一个3*3的方框框柱图像里的像素，中间像素的值用框柱的九个值的中间值替代如下图： 下面我来介绍什么是卷积以及为什么会有卷积的出现。 我们知道，在卷积出来之前，几乎用的都是全连接神经网络，但是对于图像而言，直接
Xiang神经网络总结（十一）
qq_39199850的博客
05-09 161
视觉识别任务 分类：就是识别出你这个图片主体是什么，比如我就仅仅说这个图片是个猫。 语义分割：图片上的每一个像素属于什么类别，针对于像素级别。 目标检测：给出图片上目标是什么以及目标的位置。 实力分割：给出图片上不同目标像素级别的分割。 ...
[MATAB神经网络30个案例分析].史峰.扫描版
07-08
该书是MATLAB中文论坛神经网络版块数千个帖子的总结，充分强调“案例实用性、程序可模仿性”。所有案例均来自于论坛会员的切身需求，保证每一个案例都与实际课题相结合。
人工神经网络理论、设计及应用_第2版
06-28
《人工神经网络理论、设计及应用_第2版》取材注意内容的典型性和先进性，编排注意内容的逻辑性，阐述注重物理概念的清晰性，举例与思考练习的安排注意了内容的实践性，常用神经网络及算法的介绍着重于实用性。
chi-lun-xiang.zip_BP诊断_bp故障_齿轮 神经网络_齿轮优化_齿轮箱故障
07-14
基于遗传算法的BP神经网络优化算法。以此方法对齿轮箱进行故障诊断。
图像处理-特征点(ORB、SIFT、RootSift)
泠山的博客
07-17 5355
响应值描述子响应值描述子特征点是图像里一些。我们可以把图像中的角点、边缘和区块都当成图像中有代表性的地方。不过当两幅图像中出现时，；，因为沿着该边缘前进，图像局部是相似的；。所以，一种直观的提取特征的方式是在不同图像间辨认角点，确定它们的对应关系。在这种做法中，角点就是所谓的特征。然而很多情况中单纯的角点并不适用。例如，在远处看上去是角点的地方，当相机走近之后，很可能就不再是角点了。
笔记：计算机视觉与深度学习-北邮-鲁鹏-2020年录屏-第八讲
weixin_45562510的博客
04-16 554
上节复习（00：00-11：39） 一、纹理表示 （一）纹理 1.纹理：人脸也是纹理的一种。你可以理解为任何一种模式都可以称为纹理。 2.纹理分为规则纹理和随即纹理。 3.为识别纹理，引入一种基于卷积核组的纹理表示方法。 3.1该方法 利用卷积核组提取图像中的纹理基 + 利用基元的统计信息来表示图像中的纹理。 （二）基于卷积核组的纹理表示方法 1.先具一个实际的例子 注：实施上上图的“边缘”是高斯一阶偏导卷积核、“条状”是高斯二阶偏导卷积核。而神经网络的学习，就是学出很多这样带有不同特征的卷积核
2020-09-15
weixin_44328241的博客
09-15 318
** 【转载】还原DeepLabV3模型 原文连接：https://blog.csdn.net/wildridder/article/details/102841027?utm_medium=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-2.channel_param&depth_1-utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFr
图像特征与描述（1）
fb_941219的博客
10-29 6191
图像特征与描述引言1、颜色特征2、几何特征：边缘3、基于关键点的特征描述子4、几何特征：关键点5、几何特征：Harris角点6、FAST角点检测7、几何特征： 斑点8、局部特征：SIFT9、Haar-like特征的快速计算： 积分图10、局部特征： SURF11、ORB特征描述12、BRIEF13、ORB对BRIEF的改进14、其他特征提取-LBP15、其他特征提取-Gabor16、代码实践 引言...
计算机视觉系列三（卷积/图像去噪/边缘提取/纹理表示/卷积神经网络）
peacefairy的博客
04-04 2519
这一节，十分建议去看一下老师的讲解，老师从图像处理的角度来引入，层层点透了卷积神经网络中每个部分的原因以及要干的事情。 视频连接：https://www.bilibili.com/video/BV1V54y1B7K3?p=9&spm_id_from=pageDriver p7,p8 图像处理的基本操作-卷积 老师介绍了图像噪声，以及传统的降噪方式。进行去噪的过程都是卷积，图像处理中的卷积和我们深度学习中常用的卷积不是一个定义，自己需要区别去认识，不要混淆和纠结卷积神经网络中要不要将卷积核翻转。 卷
基于springboot+vue+MySQL实现的在线考试系统+源代码+文档
06-01
web期末作业设计网页 基于springboot+vue+MySQL实现的在线考试系统+源代码+文档
318_面向物联网机器视觉的目标跟踪方法设计与实现的详细信息-源码.zip
06-02
提供的源码资源涵盖了安卓应用、小程序、Python应用和Java应用等多个领域，每个领域都包含了丰富的实例和项目。这些源码都是基于各自平台的最新技术和标准编写，确保了在对应环境下能够无缝运行。同时，源码中配备了详细的注释和文档，帮助用户快速理解代码结构和实现逻辑。 适用人群： 这些源码资源特别适合大学生群体。无论你是计算机相关专业的学生，还是对其他领域编程感兴趣的学生，这些资源都能为你提供宝贵的学习和实践机会。通过学习和运行这些源码，你可以掌握各平台开发的基础知识，提升编程能力和项目实战经验。 使用场景及目标： 在学习阶段，你可以利用这些源码资源进行课程实践、课外项目或毕业设计。通过分析和运行源码，你将深入了解各平台开发的技术细节和最佳实践，逐步培养起自己的项目开发和问题解决能力。此外，在求职或创业过程中，具备跨平台开发能力的大学生将更具竞争力。 其他说明： 为了确保源码资源的可运行性和易用性，特别注意了以下几点：首先，每份源码都提供了详细的运行环境和依赖说明，确保用户能够轻松搭建起开发环境；其次，源码中的注释和文档都非常完善，方便用户快速上手和理解代码；最后，我会定期更新这些源码资源，以适应各平台技术的最新发展和市场需求。
FPGA Verilog 计算信号频率，基础时钟100Mhz，通过锁相环ip核生成200Mhz检测时钟，误差在10ns
06-02
结合等精度测量原理和原理示意图可得：被测时钟信号的时钟频率fx的相对误差与被测时钟信号无关；增大“软件闸门”的有效范围或者提高“标准时钟信号”的时钟频率fs，可以减小误差，提高测量精度。 实际闸门下被测时钟信号周期数为X，设被测信号时钟周期为Tfx，它的时钟频率fx = 1/Tfx，由此可得等式：X * Tfx = X / fx = Tx(实际闸门)。 其次，将两等式结合得到只包含各自时钟周期计数和时钟频率的等式：X / fx = Y / fs = Tx(实际闸门)，等式变换，得到被测时钟信号时钟频率计算公式：fx = X * fs / Y。 最后，将已知量标准时钟信号时钟频率fs和测量量X、Y带入计算公式，得到被测时钟信号时钟频率fx。
校园二手商品交易系统三.wmv
最新发布
06-02
校园二手商品交易系统三.wmv
神经网络java代码
05-31
以下是一个简单的神经网络Java代码示例： ```java public class NeuralNetwork { private double[] input; // 输入层 private double[][][] weights; // 权重 private double[][] bias; // 偏置 private double[][] output; // 输出层 private int[] layerSizes; // 每层神经元数量 public NeuralNetwork(int... layerSizes) { this.layerSizes = layerSizes; this.weights = new double[layerSizes.length - 1][][]; this.bias = new double[layerSizes.length - 1][]; this.output = new double[layerSizes.length][]; this.input = new double[layerSizes[0]]; // 初始化权重和偏置 for (int i = 0; i < layerSizes.length - 1; i++) { weights[i] = new double[layerSizes[i + 1]][layerSizes[i]]; bias[i] = new double[layerSizes[i + 1]]; for (int j = 0; j < layerSizes[i + 1]; j++) { for (int k = 0; k < layerSizes[i]; k++) { weights[i][j][k] = Math.random() * 2 - 1; // 随机初始化权重 } bias[i][j] = Math.random() * 2 - 1; // 随机初始化偏置 } } // 初始化输出层 for (int i = 0; i < layerSizes.length; i++) { output[i] = new double[layerSizes[i]]; } } // 激活函数，这里使用sigmoid函数 private double sigmoid(double x) { return 1 / (1 + Math.exp(-x)); } // 前向传播 public double[] feedForward(double... input) { if (input.length != layerSizes[0]) { throw new IllegalArgumentException("输入层大小错误"); } this.input = input; for (int i = 0; i < layerSizes.length - 1; i++) { for (int j = 0; j < layerSizes[i + 1]; j++) { double sum = 0; for (int k = 0; k < layerSizes[i]; k++) { sum += weights[i][j][k] * input[k]; } sum += bias[i][j]; output[i + 1][j] = sigmoid(sum); } input = output[i + 1]; } return output[layerSizes.length - 1]; } // 训练网络 public void train(double[] input, double[] targetOutput, double learningRate) { if (input.length != layerSizes[0]) { throw new IllegalArgumentException("输入层大小错误"); } if (targetOutput.length != layerSizes[layerSizes.length - 1]) { throw new IllegalArgumentException("目标输出层大小错误"); } // 前向传播 feedForward(input); // 反向传播 double[][] delta = new double[layerSizes.length][]; for (int i = layerSizes.length - 1; i >= 1; i--) { delta[i] = new double[layerSizes[i]]; if (i == layerSizes.length - 1) { for (int j = 0; j < layerSizes[i]; j++) { delta[i][j] = (output[i][j] - targetOutput[j]) * output[i][j] * (1 - output[i][j]); } } else { for (int j = 0; j < layerSizes[i]; j++) { double sum = 0; for (int k = 0; k < layerSizes[i + 1]; k++) { sum += weights[i][k][j] * delta[i + 1][k]; } delta[i][j] = sum * output[i][j] * (1 - output[i][j]); } } } // 更新权重和偏置 for (int i = 0; i < layerSizes.length - 1; i++) { for (int j = 0; j < layerSizes[i + 1]; j++) { for (int k = 0; k < layerSizes[i]; k++) { weights[i][j][k] -= learningRate * delta[i + 1][j] * input[k]; } bias[i][j] -= learningRate * delta[i + 1][j]; } input = output[i + 1]; } } } ``` 这个神经网络有一个输入层，一个输出层和任意数量的隐藏层。可以使用`NeuralNetwork`类的构造函数指定每个层的神经元数量。`feedForward`方法将输入传递到网络并返回输出，`train`方法用于训练网络并更新权重和偏置。

“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