机器学习6——CNN

最新推荐文章于 2024-08-15 15:56:13 发布
最新推荐文章于 2024-08-15 15:56:13 发布
阅读量269 收藏 1
点赞数
分类专栏： 深度学习 文章标签： cnn 机器学习 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_39697468/article/details/124820548
版权
本文探讨了深度学习中图片分类的方法，强调了全连接网络可能导致的过拟合问题。为解决这一问题，引入了卷积神经网络（CNN）利用局部特征和参数共享的概念。参数共享通过在不同区域使用相同的权重，减少了模型复杂性和过拟合的风险。扩大模型视野可通过增大卷积层深度和感受野。此外，感受野和参数共享是CNN中减少计算资源并提高识别效率的关键机制。
摘要由CSDN通过智能技术生成

常见的图片分类

输入一张图片，把图片以同等的大小尺寸放入模型中，输出预测结果和真实结果进行比较。
在这里插入图片描述
一张彩色图片分为3个channel（RGB），把图片通过Flatten拉直，放入全连接再经过softmax得到结果。

在这里插入图片描述

在这里插入图片描述
但是整张图片放入全连接网络中容易增加过拟合的风险，因此可以采取看局部的特征，每一个神经元都看一些局部的特征信息来辨识物体。
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
在这里插入图片描述
如果在不同区域但检测内容一样，如出现下图所示的内容
在这里插入图片描述
采用参数共享的方式
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

另一解释方式

感受野
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
扩大视野只需增大加深卷积。
在这里插入图片描述
参数共享就是感受野的权重一致。
在这里插入图片描述
在这里插入图片描述
两者比较
在这里插入图片描述

断眉的派大星
关注
专栏目录
机器学习实战——疫情数据分析与预测
Hello大家好，我是Dream，如果帮得到你，那我深感荣幸！交流学习、商务合作：https://bbs.csdn.net/topics/614347534
07-27 5万+
机器学习如何做到疫情可视化——疫情数据分析与预测实战 本文将带领大家爬取11个国家以及中国31个省（自治区、直辖市）在2022.0101-2022.06.19的新冠疫情数据。并且采用机器学习模型对2022.6.20-2022.6.30每一天的全国确诊人数、死亡人数、治愈人数进行预测，**做出疫情可视化图形并且求出最终的相关系数R2！...
深度学习实战——CNN+LSTM+Attention预测股票
热门推荐
qq_37668436的博客
04-27 1万+
前言 本文使用pytorch实现，根据历史股票的open,low,close,high数据预测未来股票的变化趋势。 数据样式 模型 模型部分实验了几种不同的attention对整体效果的影响： CNN + LSTM CNN + LSTM + ECA CNN + LSTM + SE(channal维度的attention) CNN + LSTM + HW(长宽维度的Attention，不知道叫啥就叫这个吧) CNN + LSTM + CBAM(长宽以及channal维度同时attention) Base
机器学习之CNN
努力的小硬币
03-19 2473
CNN–Convolutional NN（卷积神经网络） CNN的目的是以一定的模型对事物进行特征提取，而后根据特征对该事物进行分类、识别、预测或决策等。 如下图是CNN的流程 下面是CNN的三个特点： 1.CNN针对的是某些特征，而不是整个图片的所有特征 2.CNN的相同的特征可以是出现在图片的不同的区域 3.CNN对图片减少像素是不会影响图片的 下面讲一下卷积Convolution: 下图...
机器学习-CNN
Free Lazyer的博客
08-01 212
L层卷积层：: filter的大小表示通道数表示 filter的大小其中若计算结果不是整数，则向下取整（2.52）。若用表示表示则：表示L层的输入，表示L层的输出，L+1层的输入，g(x)为激活函数，“ * ” 为卷积运算。2. Pooling layer （池化层--POOL）这里里面没有参数需要我们学习，因为这里里面的参数都是我们设置好了，要么是Maxpooling，要么是Averagepooling。需要指定的超参数，包括是Max还是average，窗口大小以及步长。
机器学习-卷积神经网络（CNN）
最新发布
qq_42538588的博客
08-15 1402
交叉熵损失用于评估预测概率分布与实际标签分布之间的差异。对于一个多分类问题，交叉熵损失 ( L ) 的定义为：( C ) 是类别数。( y_i ) 是实际标签的指示函数。如果样本属于第 ( i ) 类，则 ( y_i = 1 )，否则为 ( 0 )。( \hat{y}_i ) 是模型对第 ( i ) 类的预测概率。均方误差 ( L ) 定义为：( N ) 是样本数量。( y_j ) 是真实值。( \hat{y}_j ) 是预测值。
【机器学习】 - CNN
xuanweiace的博客
03-08 1082
fromhttp://blog.jobbole.com/113819/?utm_source=blog.jobbole.com&utm_medium=relatedPosts 什么是卷积神经网络，它为何重要？ 卷积神经网络（也称作ConvNets或CNN）是神经网络的一种，它在图像识别和分类等领域已被证明非常有效。 卷积神经网络除了为机器人和自动驾驶汽车的视觉助力之外，...
机器学习——卷积神经网络（CNN）
beiye_的博客
03-12 9096
机器学习——卷积神经网络（CNN）
【机器学习】——续上：卷积神经网络（CNN）与参数训练
weixin_51658186的博客
06-22 4778
此总结内容包括上次的神经网络与深度学习博客！深度学习是自动学习分类所需的低层次或高层次特征算法，例如机器视觉，深度学习算法从原始图像去学习得到它的低层次表达（例如边缘），之后在低层次表达的基础上，通过线性或非线性的组合在建立高层次的表达。深度学习能更好地表示数据特征。由于模型层次、参数很多，因此模型有能力处理大规模数据，对于图像、语音这种特征不明显的问题，能通过大规模数据训练取得很好效果。此外，深度学习框架将特征提取和分类整合在一个框架。
藏经阁-阿里云机器学习PAI——及其在广告营销中的应用.pdf
09-10
藏经阁-阿里云机器学习PAI——及其在广告营销中的应用 阿里云机器学习PAI是一款基于云计算的机器学习平台，提供了从数据管理到模型部署的一站式解决方案。该平台通过提供高效的机器学习算法、完整的数据挖掘链路和...
机器学习实战——xgboost股票close预测
qq_37668436的博客
12-05 2331
用股票历史的close预测未来的close。 另一篇用深度学习搞得，见：深度学习实战——CNN+LSTM+Attention预测股票都是很简单的小玩意，试了下发现预测的还不错，先上效果图： 有点惊讶，简单的仅仅用close的历史值就可以预测未来的值？本来想多用点特征，因为省事先用了一个特征来试试结果发现都能拟合，amazing…大概的原理：代码用notebook跑的，注释都记录在notebook了，cpu就能跑，写的很简单。 地址：github使用方法：需要pip安装xgboost和tushare在下面的
机器学习CNN的代码
01-04
视觉机器学习卷积神经网络的仿真代码
机器学习对应的相关python代码SVM、CNN
12-12
经典模型对应的python代码经典模型对应的python代码
你不知道的CNN
weixin_43788143的博客
03-27 662
目录 1. 什么是CNN 1.1 输入层 1.2 卷积计算层(conv) 1.3 激励层 1.4 池化层 1.5 全连接层 1.6 层次结构小结 1.7 CNN优缺点 2. 典型CNN发展历程 3. 图像相关任务 3.1 图像识别与定位 3.2 物体检测(object detection) 3.3 语义(图像)分割 4. 代码实现CNN 5. 参考文献 1. 什么是CNN 卷积神...
RNN CNN 机器学习
weixin_33916256的博客
05-22 190
CNN http://blog.csdn.net/darkprin... http://blog.csdn.net/darkprin... http://blog.csdn.net/darkprin... http://blog.csdn.net/u0130880... 深度学习官方 深度学习链接☆ http://lib.csdn.net...
【转】机器学习---cnn
勤劳的搬砖工
06-22 661
博客地址：https://www.cnblogs.com/xiaotongtt/p/6196057.html卷积神经网络是第一个被成功训练的多层神经网络结构，具有较强的容错、自学习及并行处理能力。一、基本原理1.CNN算法思想     卷积神经网络可以看作为前馈网络的特例，主要在网络结构上对前馈网络进行简化和改进，从理论上讲，反向传播算法可以用于训练卷积神经网络。卷积神经网络被广泛用于语音识别和图...
机器学习13：卷积神经网络（CNN）
qqqinrui的博客
12-17 496
一、Why CNN for Image？ 1、对于一幅图像来说，用DNN全连接的话，参数会很多，而图像实际上是有很多冗余的，有些地方的特征可能不需要。而CNN其实是拿掉了DNN的一些参数。 2、识别工作中，有时候并不需要看整张图，而只需要看部分位置如鸟嘴。不管鸟嘴出现在图像的哪个位置，只要用相同的神经元参数侦测到这个鸟嘴的存在，就可以判断这是一只鸟，因此，不同位置的鸟嘴的神经元可以共用同一...
经典机器学习方法（7）—— 卷积神经网络CNN
佚失的诗篇
06-22 964
本节介绍卷积神经网络CNN的基本原理，包括卷积层和汇聚层
李宏毅机器学习之CNN
Trony的博客
06-22 428
一、Why CNN for image？ 一些patterns对于整个Image来说非常小，所以通常只需要看一个Image的一小部分就可以了。 同样的pattern可能出现在Image的不同的部分 对于一张Image可以做subsampling(下采样)，比如：把一张image的奇数行，偶数列的pixel(像素)拿掉，变成原来十分之一的大小，它其实不会影响人对这张image的理解。所以我们就可以用这样的概念把image变小，这样就可以减少处理需要的参数。 二、CNN的架构 2.1 整体架构 当输入
机器学习算法之——走近卷积神经网络(cnn)
10-15
卷积神经网络（Convolutional Neural Network，CNN）是一种机器学习算法，其主要应用于图像识别、计算机视觉和模式识别等领域。CNN模型的设计灵感来源于科学家们对于生物视觉系统的研究。该算法的核心概念是通过卷...
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