机器学习之卷积神经网络--CNN介绍

最新推荐文章于 2024-05-23 23:00:00 发布
最新推荐文章于 2024-05-23 23:00:00 发布
阅读量5.1k 收藏 57
点赞数 4
分类专栏： 机器学习 文章标签： cnn 机器学习 深度学习 人工智能 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_46556714/article/details/125292161
版权

卷积神经网络–CNN

1. 卷积神经网络介绍

卷积神经网络（Convolutional Neural Networks，CNN）是一种包
含卷积计算且具有深度结构的前馈神经网络，是深度学习的代表算法之一。
常见的CNN网络有LeNet-5、VGGNet、GoogleNet、ResNet、
DenseNet、MobileNet等。
CNN主要应用场景： 图像分类、图像分割 、 目标检测 、 自然语言处
理等领域。

2. 卷积神经网络基本结构及原理

卷积神经网络基本结构

在这里插入图片描述

CNN基本结构：INPUT -> 卷积->激活 -> 池化 -> 全连接 ->OUTPUT

卷积层

对输入的图像数据与卷积核做卷积运算提取图像的高阶特征
卷积过程的几个参数
1、深度（depth）：卷积核个数，也称神经元个数，决定输出的特征图的数量。
在这里插入图片描述

2、步长（stride）：卷积核滑动一次的大小，决定滑动多少步可以到达边缘。
在这里插入图片描述
在这里插入图片描述

3、填充值（padding）：在外围边缘补充0的层数。

卷积过程

在这里插入图片描述

卷积网络最主要的两个特征
1、局部感知
2、权值共享
激活层、Relu函数

池化层

下采样（downsamples），对输入的特征图进行压缩；
一方面使特征图变小，简化网络计算复杂度，有效控制过拟合；
另一方面进行特征压缩，提取主要特征。
池化，规模一般为 2＊2，操作一般有2种：

  • 最大池化（Max Pooling）。取4个点的最大值。这是最常用的池化方法。
  • 均值池化（Mean Pooling）。取4个点的均值。
  • 在这里插入图片描述

全连接层

连接所有的特征，将输出值送给分类器，实现分类。
在这里插入图片描述

3. pytorch中卷积的实现

卷积层

torch.nn.Conv2d（）
参数说明
in_channels：输入通道数（深度）
out_channels：输出通道数（深度）
kernel_size：滤波器（卷积核）大小
stride：表示滤波器滑动的步长
padding：是否进行零填充
bias：默认为 True，表示使用偏置
groups：控制分组卷积，默认不分组，为1组。
dilation：卷积对输入的空间间隔，默认为 True

激活层

torch.nn.ReLU（）
参数说明
inplace:是否在原数据进行操作，默认是False

池化层

torch.nn.MaxPool2d（）
torch.nn.AvgPool2d（）
参数说明
kernel_size :表示做最大池化的窗口大小
stride：步长
padding：是否进行零填充
dilation：卷积对输入的空间间隔，默认为 True

全连接层

torch.nn.Linear（）
参数说明
in_features :输入特征数；
out_features：输出特征数；
bias：默认为 True，表示使用偏置

4. 经典卷积神经网络介绍

Lenet-5

LeNet5卷积神经网络源于Yann LeCun在1998年发表的论文：Gradient-
based Learning Applied to Document Recognition，是一种用于手写数字识别的
卷积神经网络。
LeNet-5是CNN网络架构中最知名的网络模型，是卷积神经网络的开山之
作。

AlexNet

2012 年， AlexNet 横空出世。AlexNet 使⽤卷积神经⽹络，并以很⼤的优
势赢得了ImageNet 2012 图像识别挑战赛冠军。
Alexnet模型由5个卷积层和3个池化Pooling 层 ，其中还有3个全连接层构
成。AlexNet 跟 LeNet 结构类似，但使⽤了更多的卷积层和更⼤的参数空间来拟
合⼤规模数据集 ImageNet。它是浅层神经⽹络和深度神经⽹络的分界线。

cifar10数据介绍

CIFAR-10 是由 Hinton 的学生 Alex Krizhevsky 和 Ilya Sutskever 整理的一
个用于识别普适物体的小型数据集。一共包含 10 个类别的 RGB 彩色图 片：飞
机（ a叩lane ）、汽车（ automobile ）、鸟类（ bird ）、猫（ cat ）、鹿
（ deer ）、狗（ dog ）、蛙类（ frog ）、马（ horse ）、船（ ship ）和卡车
（ truck ）。图片的尺寸为 32×32 ，数据集中一共有 50000 张训练圄片和
10000 张测试图片在这里插入图片描述

VGGNet

VGGNet 是由牛津大学视觉几何小组（Visual Geometry Group, VGG）提
出的一种深层卷积网络结构，他们以 7.32% 的错误率赢得了 2014 年 ILSVRC 分
类任务的亚军。
VGGNet探索了卷积神经网络的深度与其性能之间的关系，成功地构筑了
16~19层深的卷积神经网络，证明了增加网络的深度能够在一定程度上影响网络
最终的性能，使错误率大幅下降，同时拓展性又很强，迁移到其它图片数据上的
泛化性也非常好。到目前为止，VGG仍然被用来提取图像特征。
VGG可以看成是加深版本的AlexNet。都是conv layer + FC layer

GoogleNet

GoogleNet是2014年Google团队提出的一种全新的深度学习结构,赢得了
2014 年 ILSVRC 分类任务的冠军。
GoogLeNet是第一个使用并行网络结构的经典模型，这在深度学习的发展
历程中是具有开创性意义的。
GoogLeNet最基本的网络块是Inception，它是一个并联网络块，经过不断
的迭代优化，发展出了Inception-v1、Inception-v2、Inception-v3、Inception-v4、
Inception-ResNet共5个版本。
Inception家族的迭代逻辑是通过结构优化来提升模型泛化能力、降低模型
参数。

ResNet

ResNet(残差网络) 网络是在 2015年 由微软实验室中的何凯明等几位大神
提出，斩获当年ImageNet竞赛中分类任务第一名，目标检测第一名。获得COCO
数据集中目标检测第一名，图像分割第一名。
它使用了一种连接方式叫做“shortcut connection”，顾名思义，shortcut就
是“抄近道”的意思。在这里插入图片描述
ResNet block有两种，一种两层结构，一种三层结构在这里插入图片描述

MobileNet

MobileNet是谷歌在2017年提出，专注于移动端或者嵌入式设备中的轻量
级CNN网络。
MobileNet的基本单元是深度可分离卷积，其可以分解为两个更小的操作：
depthwise convolution和pointwise convolution。

南蓬幽
关注
  • 4
    点赞
  • 踩
  • 57
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
【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 4517
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。
机器学习-卷积神经网络
05-05
机器学习-卷积神经网络
卷积神经网络 Convolutional Neural Network ｜ CNN
JasonH2021的博客
07-07 2万+
介绍了卷积神经网络的基本思想，应用场景，优缺点，建模过程中的注意事项，研究课题，实现的类库方法和代码案例等
卷积神经网络（CNN）详细介绍及其原理详解
最新发布
weixin_42132035的博客
05-23 1873
卷积神经网络通过卷积层和池化层提取输入数据的特征，并通过全连接层进行分类或回归任务。其结构和工作原理使其在图像识别和计算机视觉领域表现出色。希望本文的详细介绍和实例能帮助读者更好地理解CNN的原理和应用。
卷积神经网络（CNN）算法详解
极光喵的博客
03-07 6447
注意：本文引用自专业人工智能社区Venus AI 更多AI知识请参考原站 （[www.aideeplearning.cn]） 引言 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（Feedforward Neural Networks, FNN），是深度学习的代表算法之一。 对卷积神经网络的研究始于二十世纪80至90年代，时间延迟网络和LeNet-5是最早出现的卷积神经网络；在二十一世纪后，随着深度学习理论的提出和
卷积神经网络（CNN）超详细介绍
热门推荐
weixin_44021149的博客
03-22 5万+
文章转自：https://blog.csdn.net/jiaoyangwm/article/details/80011656 文章目录 1、卷积神经网络的概念2、 发展过程3、如何利用CNN实现图像识别的任务4、CNN的特征5、CNN的求解6、卷积神经网络注意事项7、CNN发展综合介绍8、LeNet-5结构分析9、AlexNet10、ZFNet10.1 意义10.2 实现方法10.3 训练细节10.4 卷积网络可视化10.6 总结 11、VGGNet11.1 结构11.2 网络特点：11.3 分
CNN基础知识笔记
zxmyoung的博客
10-24 1万+
1. 卷积神经网络的概念 上世纪60年代，Hubel等人通过对猫视觉皮层细胞的研究，提出了感受野这个概念，到80年代，Fukushima在感受野概念的基础之上提出了神经认知机的概念，可以看作是卷积神经网络的第一个实现网络，神经认知机将一个视觉模式分解成许多子模式（特征），然后进入分层递阶式相连的特征平面进行处理，它试图将视觉系统模型化，使其能够在即使物体有位移或轻微变形的时候，也能完成识别。 卷积神经网络是多层感知机（MLP）的变种，由生物学家休博尔和维瑟尔在早期关于猫视觉皮层的研究发展而来，视觉皮层的
卷积神经网络CNN
crossoverpptx的博客
06-24 3642
卷积神经网络(convolutional neural network, CNN)，是一类包含卷积计算且具有深度结构的前馈神经网络。卷积神经网络是受生物学上感受野（Receptive Field）的机制而提出的。卷积神经网络专门用来处理具有类似网格结构的数据的神经网络。例如，时间序列数据（可以认为是在时间轴上有规律地采样形成的一维网格）和图像数据（可以看作是二维的像素网格）。
卷积神经网络（CNN）
Flaneur-yz的博客
08-16 2372
前言 CNN，即卷积神经网络，主要用于图像识别，分类。由输入层，卷积层，池化层，全连接层(Affline层），Softmax层叠加而成。卷积神经网络中还有一个非常重要的结构:过滤器，它作用于层与层之间(卷积层与池化层），决定了怎样对数据进行卷积和池化。 一、卷积神经网络的网络结构 卷积神经网络主要由这几类层构成：输入层、卷积层，ReLU层、池化（Pooling）层和全连接层（全连接层和常规神经网络...
基于CNN的分类算法
12-18
此程序是采用CNN的方法进行分类，其中包含爬虫，对图像数据进行爬取，对图像数据清洗，并将格式等要求不合适的数据剔除，从而使用有效数据进行训练，具体训练方式见内容，如需数据、实验报告文档，联系本人
5-机器学习系列（5）：卷积神经网络CNN之--原理及python实现1
08-03
卷积神经网络CNN之原理及Python实现 卷积神经网络（CNN）是一种流行的神经网络结构，广泛应用于计算机视觉领域。CNN的原理是基于卷积运算和池化层，旨在提取图像中的边缘信息和特征。下面是卷积神经网络的原理和...
机器学习-卷积神经网络-图像识别-编程实践-卷积神经网络图像识别python代码
05-21
在现代机器学习领域，卷积神经网络（CNN）已经成为图像识别任务中最强大的技术之一。本资源提供了一个完整的卷积神经网络图像识别项目的Python实现代码，专为希望在实际编程中应用和深化机器学习知识的学生和开发者...
机器学习之卷积神经网络学习
06-28
"机器学习之卷积神经网络学习" 本文将详细介绍卷积神经网络（Convolutional Neural Networks，CNN）的基本概念和工作原理。卷积神经网络是一种深度学习模型，常用于图像识别、目标检测和图像分割等领域。 一、神经...
机器学习系列12-卷积神经网络CNN part2
01-20
人们常常会说，deep learning就是一个黑盒子，你learn完以后根本就不知道它得到了什么，所以会有很多人不喜欢这种方法，这篇文章就讲述了三个问题：What does CNN do？Why CNN？How to design CNN? What does CNN ...
One PUNCH Man——深度学习入门
No_Game_No_Life_的博客
05-06 1629
文章目录人类视觉原理从神经网络到卷积神经网络（CNN）数据输入层卷积计算层卷积的计算参数共享机制激励层池化层全连接层CNN优缺点卷积神经网络的常用框架 人类视觉原理 深度学习的许多研究成果，离不开对大脑认知原理的研究，尤其是视觉原理的研究。 1981 年的诺贝尔医学奖，颁发给了 David Hubel（出生于加拿大的美国神经生物学家） 和TorstenWiesel，以及 Roger Sperry。...
卷积神经网络
konstantin的博客
03-15 793
卷积神经网络 创建日期 星期五 15 三月 2019 卷积神经网络的特点在于卷积； 通俗的来说卷积就是局部扫描，然后进行训练识别，将一个图像卷积，从原来的n维矩阵进行折叠，进行降维操作，然后对其进行全连接加权，池化层等 Layers used to build ConvNets 卷积神经网络通常包含以下几种层： 卷积层（Convolutional layer），卷积神经网路中每层卷积...
CNN的基本概念、常用的计算公式和pytorch代码
略知12的博客
01-05 9524
文章目录一、CNN的基本概念二、常见的卷积1.一般卷积2.扩张卷积(空洞卷积)3.转置卷积(反卷积)4.可分离卷积4.1.空间可分离卷积4.2.深度可分离卷积三、CNN的输入输出尺寸计算公式四、CNN常用的激活函数4.1.Sigmoid4.2.tanh4.3.Relu五、标准化和归一化1.标准化1.1.批标准化(Batch Normalization)2.归一化六、保存和加载模型1.仅保存学习到的参数1.1.保存模型：torch.save(model.state_dict(), PATH)1.2.调用模型.
电影评论情感分类 卷积神经网络text-cnn 模型 tensorflow
06-22
### 回答1： 电影评论情感分类是一项重要的自然语言处理任务，旨在自动将电影评论分为正面或负面情感。为了解决这个问题，研究人员已经开发了各种机器学习模型，其中卷积神经网络text-cnn是一种有效的模型。 TensorFlow是一个强大的深度学习库，提供了text-cnn模型的实现。text-cnn模型由多个卷积层和全局最大池化层组成，每个卷积层用于提取文本中的特定特征，而全局最大池化层则用于提取最具代表性的特征。最终，这些特征将被用于分类任务，通过一个全连接层来实现。 与其他情感分类模型相比，text-cnn模型具有许多优点。首先，它可以自适应不同长度的文本输入，并且不需要手动提取特征。其次，text-cnn模型具有较高的分类准确率，并且可以在大规模数据上进行训练，以提高其性能。最后，TensorFlow提供了一个简单的接口来实现text-cnn模型，并且提供了丰富的调试和可视化工具，使得模型的训练和评估变得更加容易。 总之，卷积神经网络text-cnn模型是一种高效、准确的情感分类模型，结合TensorFlow库的支持，可以有效地应用于电影评论等自然语言处理任务中。 ### 回答2： 电影评论情感分类是一类自然语言处理任务，它的目标是对一段文本进行情感分类，预测这段文本表达的情感是正面的（positive）还是负面的（negative）。在实践中，卷积神经网络（CNN）已经被广泛应用于情感分类，其中text-cnn模型是最常用的一种。 Text-cnn模型在情感分类任务中的表现优秀，它将文本看作是一种二维结构，其中一个维度是词语，另一个维度是嵌入矩阵中的向量。文本中的词被编码为嵌入向量，并且这些嵌入向量被视为图像的像素。在text-cnn模型中，多个不同大小的卷积核被用来通过卷积操作提取出文本的局部特征。这些局部特征被压缩成一个全局特征向量，并通过一个全连接层进行分类器预测。 TensorFlow是实现text-cnn模型的流行工具之一，它是一个开源的机器学习框架，提供了广泛的API和工具来创建高效的深度学习模型。TensorFlow可以轻松地构建text-cnn模型，而且具有内置的优化器和损失函数，它可以加速模型训练和优化。 总的来说，text-cnn模型是一个强大的情感分类器，它已经在几个领域得到了成功的应用。在使用TensorFlow实现text-cnn模型时，需要注意模型的超参数调整，以及数据预处理和特征工程的优化，这些都可以影响模型的性能和泛化能力。 ### 回答3： 电影评论情感分类是NLP领域的一个基础应用问题，通过对文本进行情感分类可以帮助我们更好地理解用户心理、市场需求等诸多方面。卷积神经网络(CNN)是目前NLP领域应用广泛的深度学习算法，它能够对输入的多维矩阵进行特征提取，逐层降维，最终将特征表示为一维向量。 Text-CNN是CNN在NLP领域的应用，它主要通过卷积层和池化层对文本进行特征提取和降维。卷积层通过提取矩阵中的局部特征，池化层通过按照一定的规则对特征进行采样，最终形成一个固定长度的向量作为文本的表示。在情感分类任务中，Text-CNN可以通过对输入的文本进行卷积和池化操作，得到文本的固定长度特征向量，进而输出文本的情感类别。 TensorFlow是当前最受欢迎的深度学习框架之一，它提供了丰富的API和工具，能够方便地构建并训练Text-CNN模型。在构建Text-CNN模型时，首先需要进行文本的预处理，将文本转换为数字表示，然后使用TensorFlow对模型进行定义和训练。 总之，电影评论情感分类是NLP领域一个重要的应用问题，采用Text-CNN模型可以准确有效地对文本进行情感分类，而TensorFlow提供了一个便捷的框架和工具，用于构建和训练Text-CNN模型。

“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

打赏作者

南蓬幽

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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