CNN笔记

最新推荐文章于 2022-11-08 16:49:38 发布
最新推荐文章于 2022-11-08 16:49:38 发布
阅读量243 收藏
点赞数
分类专栏： 学习 文章标签： CNN笔记
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_42766409/article/details/89257957
版权
本文详细介绍了卷积神经网络（CNN）的基本概念，包括卷积层、池化层的运作方式，以及填充、步幅、滤波器大小等关键参数的影响。卷积层通过卷积运算实现特征提取，3维数据的卷积涉及通道方向的处理。池化层则通过缩小空间尺寸提高模型的鲁棒性。
摘要由CSDN通过智能技术生成

卷积神经网络（convolutional neural network CNN）:
卷积神经网络和之前介绍的神经网络一样（属于相邻层所有的神经元之间都有连接，称为全连接affine），可以像堆积木一样通过组装层来构建。CNN中出现了卷积层（convolution层），和池化层。
在这里插入图片描述
图1. 之前的神经网络
在这里插入图片描述
图2. CNN中新增了Convolution层和Pooling层

卷积层：
CNN中会出现一些特有的束语，比如填充、步幅等。此外，各层中传递的数据是有形状的数据。
在卷积层的输入输出数据称为特征图（feature map）。其中，卷积层的输入数据称为输入特征图（input feature map）， 输出的数据称为输出特征图（output feature map）。

卷积运算
卷积层进行的处理就是卷积运算。卷积运算相当于图像处理中的“滤波器运算”。在介绍卷积运算时。
图3.卷积运算示意图
在这里插入图片描述

最低0.47元/天 解锁文章
qq_42766409
关注
专栏目录
Python的CNN笔记
a1111111111ss的博客
03-02 1463
降维方法有PCA（主成分分析）和LDA（线性判别分析，Fisher Linear Discriminant Analysis 1：Tensorflow中examples.tutorials.mnist中 input_data数据类 在tensorflow最初时一直用的就是最经典的mnist手写字符识别中的数据集了，而且在tensorflow中直接封装好的是mnist手写字符的数据集类，方便直接用input_data.*中的方法调用其读取数据，读取数据标签 2：mnist = input_data.read_
CNN（卷积神经网络）学习笔记
c923813753的博客
09-04 280
CNN的概念 卷积神经网络（Convolutional Neural Networks / CNNs / ConvNets）与普通神经网络非常相似，它们都由具有可学习的权重和偏置常量(biases)的神经元组成。每个神经元都接收一些输入，并做一些点积计算，输出是每个分类的分数。 CNN的结构层次 基础的CNN由卷积(convolution), 激活(activation), and 池化(pooling)三种结构组成。CNN输出的结果是每幅图像的特定特征空间 卷积 考虑一个大小为5×5的图像，和一个3×3的
CNN简单笔记
12-28
在CNN中，滤波器filter（带着一组固定权重的神经元）对局部输入数据进行卷积计算。每计算完一个数据窗口内的局部数据后，数据窗口不断平移滑动，直到计算完所有数据。这个过程中，有这么几个参数： 
cnn学习笔记
yolov4的博客
10-15 226
cnn学习笔记 ReLU（修正线性单元）层在每个卷积层之后，通常会立即应用一个非线性层（或激活层）。其目的是给一个在卷积层中刚经过线性计算操作（只是数组元素依次（element wise）相乘与求和）的系统引入非线性特征。过去，人们用的是像双曲正切和 S 型函数这样的非线性方程，但研究者发现 ReLU 层效果好得多，因为神经网络能够在准确度不发生明显改变的情况下把训练速度提高很多（由于计算效率增加）
R-CNN学习笔记
XZZPPP的博客
05-08 5943
1、简介        R-CNN是深度学习在目标检测任务上的应用，其中R对应于“Region(区域)”。整体框架与传统方法相似。        本文两个关键点是：1、使用候选窗口，并用CNN对其进行特征提取；2、样本缺乏时，使用大量辅助样本预先训练，再用自己样本进行微调。         整体框架大致为：生成候选窗口(Selective Search)，进行特征提取(CNN)，对窗口进行分
CNN笔记：通俗理解卷积神经网络
01-08
CNN笔记：通俗理解卷积神经网络 卷积神经网络（CNN）是一种深度学习算法，能够模拟人脑对图像的识别和处理能力。下面是对CNN的通俗理解笔记： 神经元 神经网络由大量的神经元相互连接而成。每个神经元接受线性...
卷积神经网络CNN笔记（理解CNN数学原理的指南）.pdf
02-24
卷积神经网络（CNN）是一种专门用于处理具有类似网格结构的数据的深度学习模型，例如时间序列数据（一维网格）和图像数据（二维网格）。CNN在计算机视觉、机器学习和模式识别领域表现出色。在计算机视觉领域，CNN...
CNN学习笔记
weixin_44910250的博客
02-01 257
CNN三大核心思想： 1：局部感知（local field） 全连接的问题是连接过多，以至于权值太多。为了减少计算量，卷积神经网络引入卷积概念后，卷积核通过原图像，然后卷积核对原图像上符合卷积核大小的像素进行加权求和，每一次只是对符合卷积核的图像像素做卷积，这就是局部感知的概念，使 全连接变成局部连接。从而减少计算量。 2.权值共享 权值共享：不同的图像或者同一张图像共用一个卷积核，减少重复的卷...
卷积神经网络CNN学习笔记 pdf
11-07
个人整理的CNN学习笔记，所有素材均来自于互联网。把经典的摘之以作备案，待整理好这份笔记后，发现对CNN也有了深入理解，希望对你也有帮助！
CNN基础记录篇（CNN笔记）
Fighting_y的博客
07-02 392
1.卷积核（滤波器）大小为kkd，其中d为深度，d和输入特征图的通道数相同。每一层的卷积核数量和输出通道数数相同。输入的每个通道和对应深度的卷结核进行卷积，然后取和，组成输出的一个通道。 2.卷积尺寸变化公式：（输入尺寸（W_in,H_in），输出尺寸（W_out,H_out）,padding为某个数值，stride为步长,卷积核大小（W_k,H_k）） H_out = (H_in-H_k+2padding)/stride + 1 W_out = (W_in-W_k+2padding)/stride + 1
DeepLearning CNN 笔记
RhineYu's Blog
03-30 1572
DeepLearning 第9章 卷积神经网络 笔记
CNN学习笔记一
AnnaZhan的博客
10-27 455
CNN学习（一） Convolutional Neural Networks are very similar to ordinary Neural Networks from the previous chapter: they are made up of neurons that have learnable weights and biases 卷积神经网络和其他神经网络非常相似！！ ...
卷积神经网络（CNN）——学习笔记
weixin_43898617的博客
11-08 1117
卷积神经网络 CNN
卷积神经网络（CNN）笔记整理
LittleGreenI的博客
07-03 1289
卷积神经网络（CNN）介绍
李宏毅cnn学习笔记
最新发布
09-10
他在课程中有关于卷积神经网络（CNN）的学习笔记，这些学习笔记可以帮助人们更好地理解和应用CNN。 在他的学习笔记中，李宏毅介绍了CNN的基本概念、架构和工作原理。他详细讲解了卷积层、池化层和全连接层等组成...
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