卷积神经网络-cnn和lstm

最新推荐文章于 2024-06-10 19:31:06 发布
最新推荐文章于 2024-06-10 19:31:06 发布
阅读量3.6k 收藏 13
点赞数
分类专栏： 机器学习 文章标签： cnn lstm 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_39759664/article/details/128675783
版权

文章目录

1. 卷积神经网络

1.1 卷积神经网络的基础

  1. CV领域发展
  2. 检测任务
  3. 分类和检索
  4. 超分辨率重构
  5. 医学任务
  6. 无人驾驶
  7. 人脸识别

1.2 卷积神经网络和传统的网络的区别

在这里插入图片描述
传统网络：像是一个二维
卷积神经网络：像是一个三维的 h * w *c

具体架构
在这里插入图片描述
卷积层：提取特征
池化层：压缩特征

1.3 卷积的作用

在这里插入图片描述
首先将图整体分割成很多小的区域， 目的是很多小的区域得到的特征值是不一样的，计算每个小区域得到的特征值的大小具体是多少
绿色的叫 执行一次卷积得到的特征图 Filter-Map

1.3.1 图像颜色通道

在这里插入图片描述
在这里插入图片描述
多通道分别去做相同的事 比如RGB
在这里插入图片描述
在这里插入图片描述
特征图的个数可以是多个，所起的作用是让特征结果更加丰富
在这里插入图片描述

在这里插入图片描述
Fileter中的w* h称为卷积核，代表在原始图像中选择多大的区域 得到特征值
所有的卷积网当中，都是用内积计算的（所有记过相乘，再相加
最终结果0+2+0 这是Filter，然后在加上Bias（偏置） b=1 最终等于3
在这里插入图片描述
与上面第一张操作是一样的

1.3.2 卷积的次数

在这里插入图片描述
在这里插入图片描述
卷积核的第三个值与前面输入的值一定是一样的

1.4 卷积层涉及的参数

在这里插入图片描述

1.4.1 滑动窗口的步长

在这里插入图片描述
移动的窗口越多，特征值也就比较丰富，得到的特征图也就越大。

1.4.2 卷积核的大小

卷积核最常见的是3*3 步长为1

1.4.3 边缘填充

在这里插入图片描述

在这里插入图片描述
+pad 1 填充一圈
越往边界的点，被计算的次数越少。因此 保证边界点利用次数和内部的点的次数一样，进行了边缘填充
为啥要填充0 因此0和任何数字相乘都是0 对最终结果没有影响
一般填充一圈

1.4.4 卷积核的个数

最终计算中，得到的特征图的个数
卷积核中的数据都是不一样的
在这里插入图片描述

1.4.5 卷积参数共享

在这里插入图片描述

1.5 池化层

将卷积层得到的特征进行压缩（向下 采样）筛选出有意义的值
只是会将特征组的长和宽进行改变，个数不进行修改
在这里插入图片描述
只选大的值
还有平均池化（基本使用最大池化）

1.6 整体网络架构

在这里插入图片描述
基本上是两次卷积一次池化
带参数计算的才可以叫做一层
所以上面有7层 （6层卷积+1层全连接）
在这里插入图片描述
转换的意思是将最终得到的特征图，变成一维的特征向量，进而进行全连接

1.6.1 经典网络-Alexnet


filters 11*11 太多了

1.6.2 Vgg


所有卷积层大小都是3*3
vgg有16层到19层
卷积核比较小
那为什么不进行层数的增加呢？？？

1.6.3 Resnet

在这里插入图片描述
将效果不好的层跨过，直接连接下一层

在这里插入图片描述
残差网络，层数越多效果一定比层数少的效果好，但是提升程度比较小
在这里插入图片描述

1.7 感受野

在这里插入图片描述
感受野希望越大越好

  • 那为什么不用大的卷积核进行卷积运算？在这里插入图片描述
  • 三个小的比一个大的 参数用的少，风险小，效率高，错误率更小

2. 卷积网络参数定义

2.1 卷积网络的参数定义

小玩偶啊
关注
  • 0
    点赞
  • 踩
  • 13
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
五、CNN-LSTM数据驱动模型
记录自己的成长
03-02 1万+
CNN-LSTM数据驱动模型 6.1 基本原理 深度学习是机器学习前沿且热门的理论，而其中的两大框架卷积神经网络（CNN）以及长短期记忆网络（LSTM）是深度学习的代表，CNN能过够通过使用卷积核从样本数据中提取出其潜在的特征，而长短期记忆网络LSTM能够捕捉到长期的成分。近年来两者的结合成为研究的热点。卷积神经网络由卷积层和池化层交替叠加而成，在每个卷积层与池化层之间都有relu激活函数作用来加速模型的收敛，在模型中数据经过卷积神经网络的处理，所有特征融合后得到卷积神经网络的特征描述，此时传递数据给L
浅谈CNN和LSTM（例子）
weixin_46800546的博客
05-03 5900
，，，
基于CRNN的文本识别
qq_45087786的博客
03-30 1394
至于CRNN网络的细节这里就不再多言了，网上有很多关于crnn的介绍，这里直接讲一下代码的实现流程。
卷积LSTM代码
08-31
tensorflow 实现卷积LSTM，参见文章Convolutional LSTM Network: A Machine Learning Approach for Precipitation Nowcasting
【机器学习】基于卷积LSTM的视频预测
最新发布
MUKAMO的博客
06-10 1302
本文介绍了LSTM及其在视频预测中的应用。LSTM通过门控机制解决了RNN的梯度问题，并在视频预测中展现出优势，如捕捉时空特征和处理复杂模式。文章详细描述了LSTM视频预测的过程，包括数据预处理、模型构建、训练和可视化。通过Python代码和GIF动画，展示了模型性能。本文为理解LSTM和视频预测技术提供了深入指导和实用信息，使读者能利用LSTM进行有效视频预测。
基于注意力机制的CNN-LSTM模型及其应用（含软硬注意力区别）
pengxiang1998的博客
10-05 2万+
处理原始数据集，再将其按 6∶2∶2 的比例划分。数据输入时进行归一化，在加速模型收敛的同时，一定程度提升模型精度；输出时进行反归一化。
文本分类中CNN-LSTM融合原理
weixin_42419611的博客
07-01 2万+
CNN-LSTM融合原理 阅读这篇文章需要较扎实的CNN和RNN基础。 怎么把CNN结合LSTM做文本分类，宏观的看，我以为有三种方法： CNN-> LSTM：将文本先经过CNN提取局部特征，再用LSTM提取这些局部特征的长距离特征，再经变换输入全连接层。 LSTM-> CNN：先对文本用LSTM提取长距离特征，得到融合了上下文的新文本，再用CNN提取新文本的局部特征（有点像先Word2Vec再CNN），再经变换输入全连接层。 CNN、LSTM同步：将CNN提取的局部特征和LSTM提取的长距离
cnn神经卷积网络_cnn卷积神经网络
weixin_26712065的博客
09-16 1537
cnn神经卷积网络 深度学习 (DEEP LEARNING) 为什么选择CNN？ (Why CNN ?) In Fully Connected Neural Networks any neuron in a given layer is fully connected to all the neurons in the previous layer so it consist of many p...
卷积神经网络&&Mnist
欲上青天揽明月
09-10 288
（一）构造双层卷积层和池化层 from tensorflow.examples.tutorials.mnist import input_data import tensorflow as tf mnist=input_data.read_data_sets("MNIST_data",one_hot=True) sess=tf.InteractiveSession() def weigh...
MATLAB实现WOA-CNN-LSTM鲸鱼算法优化卷积神经网络-长短期记忆网络数据分类预测（完整源码和数据）
02-21
基于鲸鱼算法(WOA)优化卷积神经网络-长短期记忆网络(CNN-LSTM)分类预测，WOA-CNN-LSTM多特征输入模型。（完整源码和数据） 优化参数为：学习率，隐含层节点，正则化参数。 多特征输入单输出的二分类及多分类模型。...
MATLAB实现BO-CNN-LSTM贝叶斯优化卷积神经网络-长短期记忆网络数据回归预测（完整源码和数据）
02-22
基于贝叶斯(bayes)优化卷积神经网络-长短期记忆网络(CNN-LSTM)回归预测，BO-CNN-LSTM/Bayes-CNN-LSTM多输入单输出模型。 1.优化参数为：学习率，隐含层节点，正则化参数。 2.评价指标包括:R2、MAE、MSE、RMSE和MAPE...
基于贝叶斯(bayes)优化卷积神经网络-长短期记忆网络(CNN-LSTM)分类预测，bayes-CNN-LSTM多特征输入模型
12-25
基于贝叶斯(bayes)优化卷积神经网络-长短期记忆网络(CNN-LSTM)分类预测，bayes-CNN-LSTM多特征输入模型。 优化参数为：学习率，隐含层节点，正则化参数。 多特征输入单输出的二分类及多分类模型。程序内注释详细，...
基于贝叶斯(bayes)优化卷积神经网络-长短期记忆网络(CNN-LSTM)回归预测（Matlab完整源码和数据）
02-21
基于贝叶斯(bayes)优化卷积神经网络-长短期记忆网络(CNN-LSTM)回归预测，bayes-CNN-LSTM多输入单输出模型。 优化参数为：学习率，隐含层节点，正则化参数。 评价指标包括:R2、MAE、MSE、RMSE和MAPE等，代码质量极高...
Matlab实现基于BO-CNN-LSTM贝叶斯优化卷积神经网络-长短期记忆网络时间序列预测（完整程序和数据）
04-30
Matlab实现基于BO-CNN-LSTM贝叶斯优化卷积神经网络-长短期记忆网络时间序列预测（完整程序和数据） 基于贝叶斯算法(bayes)优化卷积神经网络-长短期记忆网络(CNN-LSTM)时间序列预测，单列数据集 贝叶斯算法(bayes)...
【深度学习】——CNN结合LSTM模型
qq_48108092的博客
04-07 1万+
需要注意的是，CNN与LSTM结合的具体架构和超参数设置需要根据具体的数据和任务需求进行调整，以获得最佳的性能。这样，LSTM可以利用卷积层提取的空间特征，并结合序列数据的时序信息进行建模。池化层：在卷积层之后添加池化层，以降低特征图的维度，并保留重要的特征信息。通常情况下，序列数据可以表示为三维的张量，其中第一维表示样本数，第二维表示时间步，第三维表示特征数。模型评估：使用验证集或测试集对训练好的模型进行评估，可以使用各种评估指标如准确率、精确率、召回率、F1分数等来评估模型的性能。
cnn-lstm介绍（2）
caoodwadwadwa的博客
07-16 2万+
1. CNN-LSTM模型。CNN具有注意最明显的特征，因此在特征工程中得到了广泛的应用。LSTM有，按时间顺序扩张的特性，广泛应用于时间序列中。 根据CNN和LSTM股票预测模型的特点 建立了基于CNN的LSTM模型-e模型结构 示意图如图1所示，主要结构为CNN和LSTM，包括输入层、一维卷积层、池层、LSTM隐藏层和全隐层,连接层。 2. CNN。CNN是Lecun等人提出的一种网络模型。 1998年。CNN是一种前馈神经网络， 在图像处理和图像处理方面具有良好的性能自然语言处理.
卷积神经网络
热门推荐
雨石
11-29 31万+
自今年七月份以来，一直在实验室负责卷积神经网络（Convolutional Neural Network，CNN），期间配置和使用过theano和cuda-convnet、cuda-convnet2。为了增进CNN的理解和使用，特写此博文，以其与人交流，互有增益。正文之前，先说几点自己对于CNN的感触。先明确一点就是，Deep Learning是全部深度学习算法的总称，CNN是深度学习算法在图像处理领域的一个应用。 第一点，在学习Deep learning和CNN之前，总以为它们是很了不得的知识，总以为它们
TensorFlow搭建CNN-LSTM混合模型实现多变量多步长时间序列预测（负荷预测）
KI的博客
08-30 1万+
TensorFlow搭建CNN-LSTM混合模型实现多变量多步长时间序列预测（负荷预测）
CNN+LSTM+Attention实现时间序列预测
pengxiang1998的博客
11-17 3万+
LSTM 隐藏层输出向量作为注意力层的输入，通过一个全连接层进行训练，再对全连接层的输出使用 softmax 函数进行归一化，得出每一个隐藏层向量的分配权重，权重大小表示每个时间步的隐状态对于预测结果的重要程度。权重训练过程如下：Ｓ。
cnn-lstm神经网络
05-22
CNN-LSTM是一种结合了卷积神经网络（CNN）和长短期记忆网络（LSTM）的深度学习模型。 CNN可以提取图像特征，而LSTM可以捕捉时间序列中的长期依赖性。因此，CNN-LSTM经常用于解决视频分析、语音识别等任务，在这些任务中，需要同时利用图像和时间信息。 CNN-LSTM通过将CNN用于处理图像特征，并将LSTM用于处理时间信息，从而实现了对多项数据类型的综合分析。

“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 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