CNN（卷积神经网络）简述

最新推荐文章于 2022-09-02 10:49:17 发布
最新推荐文章于 2022-09-02 10:49:17 发布
阅读量3.1k 收藏 14
点赞数 5
分类专栏： 人工智能 文章标签： 卷积 神经网络 网络 深度学习 计算机视觉
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_39682037/article/details/105588105
版权
本文简述了卷积神经网络（CNN）的基础知识，包括卷积层和池化层的工作原理，以及全连接层的作用。通过实例展示了卷积层的计算过程，解释了零填充和多通道图片的处理方式。最后，讨论了CNN在深度学习和计算机视觉领域的应用。
摘要由CSDN通过智能技术生成

CNN（卷积神经网络）简述

前言

可能很多人会问，为什么要我们需要CNN？这里小编用一张图给大家解释：
在这里插入图片描述
这是一张神经网络的错误率图表，我们可以发现从2012年，卷积神经网络的加入，使得神经网络的错误率大幅度下降。之后的神经网络在卷积神经网络的基础上进一步改进，才有了今天极低的神经网络错误率。

卷积神经网络的发展历史

在这里插入图片描述

CNN

传统神经网络(neural networks)的基本组成包括输入层、隐藏层、输出层。而卷积神经网络的特点在于隐藏层分为卷积层和池化层(pooling layer，又叫下采样层)。

  • 卷积层：通过在原始图像上平移来提取特征，每一个特征就是一个特征映射
  • 池化层：通过特征后稀疏参数来减少学习的参数，降低网络的复杂度，（最大池化和平均池化）

举例

卷积层定义一个过滤器（观察窗口），这个观察窗口带有一定的权重。
在这里插入图片描述
将观察窗口与原图所遮盖的区域（也带有一定的权重）做线性回归。随着观察窗口在原图上不断的平移。观察窗口需要规定大小（推荐1 * 1，3 * 3，5 * 5），步长（每一次移动的像素的数量，推荐步长为1）
在这里插入图片描述
=====================&#

最低0.47元/天 解锁文章
qq_39682037
关注
专栏目录
【CNN】深入浅出讲解卷积神经网络（介绍、结构、原理）
程序星空实验室
05-24 8万+
1、卷积神经网络的背景介绍 卷积神经网络（Convolutional Neural Networks, 简称CNN）是一种具有局部连接、权值共享等特点的深层前馈神经网络Feedforward Neural Networks），是深度学习（deep learning）的代表算法之一，擅长处理图像特别是图像识别等相关机器学习问题，比如图像分类、目标检测、图像分割等各种视觉任务中都有显著的提升效果，是目前应用最广泛的模型之一。 卷积神经网络具有表征学习（representation learning）能力，能
卷积神经网络 图像处理,卷积神经网络简述
jiefu6666的博客
08-31 802
卷积神经网络有以下几种应用可供研究：1、基于卷积网络的形状识别物体的形状是人的视觉系统分析和识别物体的基础，几何形状是物体的本质特征的表现，并具有平移、缩放和旋转不变等特点，所以在模式识别领域，对于形状的分析和识别具有十分重要的意义，而二维图像作为三维图像的特例以及组成部分，因此二维图像的识别是三维图像识别的基础。卷积神经网络的稀疏连接具有正则化的效果，提高了网络结构的稳定性和泛化能力，避免过度拟合，同时，稀疏连接减少了权重参数的总量，有利于神经网络的快速学习，和在计算时减少内存开销。...
卷积神经网络概述
01-06
本人小白，学习中有什么问题可以指出 卷积神经网络是什么？ 卷积神经网络（Convolutional Neural Networks, CNN）是一类包含卷积计算且具有深 度结构的前馈神经网络，是多层感知机（MLP）的变种，本质是一个多层感知机，但由于 其采用了局部连接和权值共享的方式，一方面减少了权值数量使得网络易于优化，另一方 面也降低了模型的复杂度，减少了过拟合的风险。 卷积神经网络在输入图像时，优势表现的更为明显，其可以使图像直接作为网络的输入， 避免了传统识别算法中复杂的特征提取及数据重建的过程，在二维图像的处理过程中有很 大的优势，如网络能够自行抽取图像的特征包括颜色、纹理、形状及图
CNN笔记：通俗理解卷积神经网络
热门推荐
结构之法 算法之道
07-02 83万+
2012年我在北京组织过8期machine learning读书会，那时“机器学习”非常火，很多人都对其抱有巨大的热情。当我2013年再次来到北京时，有一个词似乎比“机器学习”更火，那就是“深度学习”。本博客内写过一些机器学习相关的文章，但上一篇技术文章“LDA主题模型”还是写于2014年11月份，毕竟自2015年开始创业做在线教育后，太多的杂事、琐碎事，让我一直想再写点技术性文章但每每恨时间抽不开。然由于公司在不断开机器学习、深度学习等相关的在线课程，耳濡目染中，总会顺带着学习学习。
卷积神经网络 CNN 简述
SCU软件学院篮球队19级队长的博客
05-06 1183
文章目录所解决的问题需要处理的数据量太大很难保留图像特征基本原理卷积层 —— 提取图像特征池化层 —— 数据降维（避免过拟合）全连接层 —— 输出结果实际应用图像分类、检索目标检测图像分割自然语言处理参考资料 所解决的问题 在卷积神经网络（CNN）出现之前，图像对于人工智能来说是一个难题，有 2 个原因： 图像需要处理的数据量太大，导致成本很高，效率很低 图像在数字化的过程中很难保留原有的特征，导致图像处理的准确率不高 需要处理的数据量太大 图像是由像素构成的，每个像素又是由颜色构成的：例如一张 1,0
深度学习（卷积神经网络）一些问题总结
江南研习社
12-30 16万+
深度卷积网络   涉及问题： 1.每个图如何卷积：   （1）一个图如何变成几个？   （2）卷积核如何选择？ 2.节点之间如何连接？ 3.S2-C3如何进行分配？ 4.16-120全连接如何连接？ 5.最后output输出什么形式？ ①各个层解释：    我们先要明确一点：每个层有多个Feature Map，每个Feature Map通过一种卷积滤波器提取输入的一种
卷积神经网络简述
jesseyule的博客
08-09 476
我们知道了卷积运算和图像处理的关系，接下来将会进一步推导卷积神经网络的一般结构。 我们知道如果想检测图像中是否存在1，可以通过输入图像和核函数（特征核）进行卷积运算进行进一步分析，同样的，如果我们要分析一副图像中是否存在人脸，为了简化，直接认为可以通过三个核函数判断，分别是表示左眼、右眼和嘴巴的特征，然后，我们就用输入图像和这三个核函数分别进行卷积，从而得到三个特征映射图，之后，还会利用激活函数...
卷积神经网络的算法过程,卷积神经网络原理简述
Supermen333的博客
09-02 2324
输入参数好比神经元接收信号，通过一定的权值（相当于刺激神经兴奋的强度）与神经元相连，这一过程有些类似于多元线性回归，但模拟的非线性特征是通过下一步骤体现的，即通过设定一阈值（神经元兴奋极限）来确定神经元的兴奋模式，经输出运算得到输出结果。因为作者还将代码开源了。权重共享和稀疏连接一样，减少了卷积神经网络的参数总量，并具有正则化的效果。卷积神经网络的稀疏连接具有正则化的效果，提高了网络结构的稳定性和泛化能力，避免过度拟合，同时，稀疏连接减少了权重参数的总量，有利于神经网络的快速学习，和在计算时减少内存开销。
CNN卷积神经网络的网络结构和学习原理
wtt561111的专栏
06-27 1426
卷积神经网络，主要是对图片进行处理。假如需要对一个1000*1000的图片进行分类，如果用传统的机器学习或者DNN，如要输入1000000个特征，当然也可以提前用一些方法进行降维，但是处理还是不方便。有人提出，人类对于图像的判断，也是通过对图像进行多层抽象完成。于是就提出了卷积的概念。 图中是一个图形识别的CNN模型。可以看出最左边的船的图像就是我们的输入层，计算机理解为输入若干...
卷积神经网络CNN概述
lovecode2008的博客
08-11 293
卷积神经网络（CNN），通过卷积层与池化层的叠加实现对输入数据的特征提取，最后连接全连接层实现分类。对于图像处理有出色表现，在计算机视觉（CV）中得到了广泛应用。从某种意义上说CNN主要用于图像类数据的处理。 卷积神经网络相比传统的机器学习算法，无须手工提取特征，也不需要使用诸如SIFT之类的特征提取算法来预提取，而是可以在训练中自动完成特征的提取和抽象，并同时进行模式分类，大大降低了应用图像识别的难度。 卷积神经网络是一种具有局部连接、权值共享等特性的深层前馈神经网络，因此是一个静态网络，信息的传递是单向
【深度学习】卷积神经网络简介
kiki天朗晴空的博客
11-08 4460
本文从卷积运算、特点、发展、和全连接神经网络的对比四个方面介绍
CNN简单介绍
qq_44377946的博客
08-31 552
简单介绍 卷积神经网络是一种带有卷积结构的深度神经网络，主要组成为：输入、卷积层、激活函数、池化层、全连接层与输出。 与普通的神经网络不一样，卷积神经网络引入了卷积核(filter)的概念。 普通神经网络，对于输入的每一个像素都有一个参数来提取该像素点的特征，当输入图片的像素点较少、神经元设置不多时训练速度尚可，但当输入数据较大，神经元数量较多时，需要维护的参数数量级是十分庞大的，需要消耗大量的算力且易造成过拟合。 而卷积神经网络，通过引入卷积核，每次对于一片像素点进行特征提取，且实现了...
RCNN简述
老蒋的博客
07-16 435
R-CNN 论文链接: https://arxiv.org/abs/1311.2524 源码链接: https://github.com/rbgirshick/rcnn R-CNN(Regions with CNN Features),可用于目标检测和图像分割，其结构主要分为三部分: - 候选区域推荐结构(Region Proposal) - CNN - SVM分类器 ...
CNN概述
稚与的博客
04-20 3659
CNN 卷积神经网络简介 特点 将大数据量的图片降维成小数据量 有效保留图片特征 应用领域 人脸识别、自动驾驶、无人安防 CNN解决的问题 图像的数据量太大，导致成本很高，效率很低 图像在数字化的过程中容易丢失特征 （其实就对应了两个特点） 下面具体看一下这两个问题 数据量大 图像是由很多像素构成的，每个像素又是由颜色构成的。一张彩色图，每一个像素都有RGB（即光学三原色）三...
卷积神经网络的发展综述
polaris_c的博客
12-31 4万+
部分内容来自《Recent_Advances_in_Convolutional_Neural_Networks》，本人在此文基础上进行了一些删改。 过去几年，深度学习在解决诸如图像目标识别、语音识别和自然语言处理等很多问题方面都表现出色。在各种类型的神经网络当中，卷积神经网络是得到最深入研究的。早期由于缺乏训练数据和计算能力，要在不产生过拟合的情况下训练出高性能卷积神经网络是很困难的。ImageNet这样的大规模标记数据的出现和GPU计算性能的快速提高，使得对卷积神经网络的研究迅速井喷。本文我将纵览卷积神经
【笔记】卷积神经网络简述（CNN）
qq_41977459的博客
05-25 564
Outline1.卷积的基本概念1.1 卷积1.2 卷积的应用2.Hubel-Weisel实验/神经认知机2.1 感受野2.2 Hubel-Weisel实验2.3 神经认知机3.卷积神经网络的基本原理3.1 卷积层3.1.1 二维卷积3.1.2 卷积神经网络中的“卷积”3.1.3 数据填充3.1.4 卷积的模式3.1.5 卷积神经网络的感受野 1.卷积的基本概念 1.1 卷积 (f*g)(n)成...
4.27-CNN简介
weixin_43220896的博客
05-24 1465
CNN是convolutional neural network卷积神经网络。一般用来做图像处理，处理的过程如下图。 首先这个猫的图像会把像素点按照顺序录入为一个像素向量，有多少个像素点，这个向量就有多长。 第一层的时候可能会检测一些很基础的颜色或者线条。 第二层就可能检测由颜色和线条组成的图案。 第三层会更复杂，比如这种蜂巢的图案或者人的上半身，可能到这一步就能得出结论了，又或者有下一层检测更复杂的。 那么问题就是这个网络能变简单吗，通过图像的特性。答案是可以。举了几个例子，我这里不放图..
卷积神经网络发展简述
最新发布
02-29
卷积神经网络（Convolutional Neural Network，CNN）是一种深度学习模型，主要用于图像识别和计算机视觉任务。下面是卷积神经网络的发展简述： 1. 早期卷积神经网络：卷积神经网络最早由Yann LeCun等人在1989年提出，用于手写数字识别。这些早期的网络结构包括卷积层、池化层和全连接层。 2. LeNet-5：LeNet-5是一个经典的卷积神经网络模型，由Yann LeCun等人在1998年提出。它在手写数字识别任务上取得了很好的效果，并成为后续卷积神经网络的基础。 3. AlexNet：AlexNet是由Alex Krizhevsky等人在2012年提出的卷积神经网络模型。它在ImageNet图像分类挑战赛上取得了突破性的成果，引领了深度学习在计算机视觉领域的发展。 4. VGGNet：VGGNet是由Karen Simonyan和Andrew Zisserman在2014年提出的卷积神经网络模型。它采用了更深的网络结构，包含16或19层卷积层，具有较小的卷积核尺寸，使得网络更加精细。 5. GoogLeNet：GoogLeNet是由Google团队在2014年提出的卷积神经网络模型。它采用了Inception模块，通过并行使用不同尺寸的卷积核和池化操作，提高了网络的效果和计算效率。 6. ResNet：ResNet是由Kaiming He等人在2015年提出的卷积神经网络模型。它引入了差连接，解决了深层网络训练中的梯度消失和梯度爆炸问题，使得网络可以更深。 7. MobileNet：MobileNet是由Google团队在2017年提出的卷积神经网络模型。它采用了深度可分离卷积，减少了参数量和计算量，适用于移动设备等资源受限的场景。 8. EfficientNet：EfficientNet是由Mingxing Tan和Quoc V. Le在2019年提出的卷积神经网络模型。它通过自动缩放网络结构的不同维度（深度、宽度和分辨率），在保持模型有效性的同时提高了性能。 以上是卷积神经网络发展的简述，下面是一些相关问题：
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
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