深度学习——卷积神经网络(CNN)

最新推荐文章于 2024-07-19 13:52:31 发布
最新推荐文章于 2024-07-19 13:52:31 发布
阅读量1.7k 收藏 5
点赞数 4
分类专栏： 机器学习 文章标签： cnn 机器学习 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_51256566/article/details/122371557
版权

十五、卷积神经网络(CNN)

15.1 神经元

  • 就是神经网络中最基本的单位，神经网络就是给每一个神经元加上一个非线性的激活函数，实现了变换输出

  • 在这里插入图片描述

  • 因此每次对于信息的处理分为两步

    1. f(x) = wx + b
      • w为权重，b为偏置(细致解答见MLP文章)
    2. a = g(f(x))
      • a为最终输出
      • g(z)为激活函数
15.2 激活函数

  • 起非线性映射的作用，可以将神经元的输出幅度限制在一定范围内，一般限制在(-1,1)或(0,1)之间。

  • 最常用的激活函数是Sigmoid函数，可将(-∞，+∞)的数映射到(0,1)

  • 在这里插入图片描述

  • tanh也属于激活函数，映射到(-1,1)

  • 在这里插入图片描述

15.3 神经网络

由多个神经元连接而成就成了神经网络

  • 在这里插入图片描述

  • 神经网络分三层

    • 输入层
      • 输入向量
      • 里面含有的是特征信息
    • 隐藏层
      • 对特征向量进行传输、分析、权衡
      • 也就是通过一系列的非线性函数处理及激活函数的处理
    • 输出层
      • 最终输出的预测结果
15.4 卷积神经网络的层次结构

在这里插入图片描述

  • 卷积神经网络的特点在于隐藏层的处理，卷积神经网络的隐藏层分为

    • 卷积计算层(CONV)
      • 对特征信息进行线性乘积求和
    • 激励层(RELU)
      • 用激活函数处理特征信息
    • 池化层(POOL)
      • 取区域平均或区域最大值
    15.5 卷积计算层(CONV)

    • 卷积的解释

      • 在这里插入图片描述

      • 先对卷积核(滤波矩阵)旋转180°

      • 对图像（不同数据窗口数据)和旋转后的滤波矩阵(给定的权重值)做内积

    • 图像的卷积

      • 图像的数据和滤波器进行内积后得到新的二维数据
      • 想要获取特想不同的特征，可以采用不同的滤波器
        • 如：均值滤波、高斯滤波就是让图像平滑化
        • 如：Gabor滤波器就是得到图像的纹理特征

    • 滤波器对图像的局部输入数据进行卷积计算，每计算完一个局部数据，数据窗口平移直到计算完所有数据

      • 深度depth：神经元格式，决定输出的depth厚度，也代表滤波器个数
      • 步长stride：决定滑动多少步可以到边缘，也代表输出数据的维度
图南zzz
关注
  • 4
    点赞
  • 踩
  • 5
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 1
    评论
专栏目录
深度学习——卷积神经网络
01-20
卷积神经网络（CNN）是深度学习领域的重要组成部分，尤其在图像识别和处理任务中表现卓越。CNN的主要特点是利用卷积层和池化层来提取和学习图像特征，同时通过多层非线性变换实现复杂模式的识别。 1. **卷积神经...
深度学习--卷积神经网络CNN
大魔王
04-03 2520
主要内容 1. 神经网络 1.1 感知器 1.2 Sigmoid神经元 1.3 神经网络 2. 卷积神经网络CNN 2.1 卷积神经网络结构 2.2 数据输入层 2.3 卷积层 2.3.1 局部感知（Local Connectivity） 2.3.2 卷积计算 2.3.3 参数共享机制 2.4 激活函数层 2.5 池化层 2.6 全连接层 2.7 卷积神经网络优缺点 ...
CNN(卷积神经网络)详解
DDB
08-17 3万+
CNN卷积神经网络详解Why CNN局部感受野(local receptive fields)权值共享(Shared weights and biases)池化(Pooling)总的来看 原文链接：https://blog.csdn.net/m0_37490039/article/details/79378143 Why CNN 首先回答这样一个问题，为什么我们要学CNN，或者说CNN为什么在很多...
白话机器学习5：卷积神经网络(CNN)原理
qq_53529450的博客
05-13 796
卷积神经网络图解
卷积神经网络之卷积层理解(持续更新)
qq_39940390的博客
09-06 1万+
卷积神经网络中卷积层的理解与代码实现。
卷积神经网络 --- 卷积层
AI_dataloads的博客
09-24 3175
具体的步骤如下：1.在图像的某个位置上覆盖滤波器；2.将滤波器中的值与图像中的对应像素的值相乘；3.把上面的乘积加起来，得到的和是输出图像中目标像素的值；4.对图像的所有位置重复此操作。这个3x3滤波器，通常称为垂直索伯滤波器用它来处理照片会得到什么呢？由此，我们可以看出，索伯滤波器是是边缘检测器。现在可以解释卷积操作的用处了：用输出图像中更亮的像素表示原始图像中存在的边缘。二、
卷积神经网络概述-卷积层
qq_47910757的博客
05-03 2万+
卷积层（convolutional layer） 1.卷积核（convolutional kernel） 卷积层的功能是对输入数据进行特征提取，其内部包含多个卷积核，组成卷积核的每个元素都对应一个权重系数和一个偏差量（bias vector），类似于一个前馈神经网络的神经元（neuron）。 卷积层内每个神经元都与前一层中位置接近的区域的多个神经元相连，区域的大小取决于卷积核的大小，在文献中被称为“感受野（receptive field）”，其含义可类比视觉皮层细胞的感受野 。卷积核在工作时，会有规律地扫过
计算机视觉——卷积神经网络（CNN）简介.pdf
04-21
计算机视觉——卷积神经网络（CNN）简介 计算机视觉是人工智能领域中的一个重要分支，它主要研究如何使机器能够像人类一样看懂图像。卷积神经网络（CNN）是计算机视觉领域中的一种深度学习算法，它能够对图像进行...
AI学习笔记——卷积神经网络（CNN）
02-24
本文来自简书，本文主要介绍了一个完整的卷积神经网络(CNN)，卷积的滤波器（Filter）是如何工作的呢？请参见下文。上篇文章简单地地介绍了神经网络和深度学习，在神经网络中，每一层的每个神经元都与下一层的每个...
【深度学习】卷积神经网络原理 深度学习原理.pdf
04-13
深度学习中的卷积神经网络（Convolutional Neural Network，CNN）是一种前馈神经网络，它的神经元可以响应一部分覆盖范围内的周围单元，长期制霸计算机视觉领域。其核心主要是“卷积与池化”。 卷积神经网络包含了...
卷积的时候需要对卷积核进行180的旋转，你知道吗?
09-16 3926
这个问题我之前是有过疑问的，后来不知道又取消了这个疑问。今天又去看了一下github上的那篇文章： DeepLearning-500-questions/ch05_卷积神经网络(CNN)/第五章_卷积神经网络 里面有这么一段 卷积的时候需要对卷积核进行180的旋转！ 这个和平时想的有点不一样啊，平时看到的文章不都是那卷积核直接和图像做卷积的吗？ 网上搜到的卷积操作绝大部分是这样介绍的，拿着卷积核直接和原图进行卷积计算就行了。 实际不是这么回事！ 上面这张图的卷积核已经是原卷积核逆时
卷积神经网络各层基本知识
热门推荐
ZONGXP的博客
05-26 6万+
参考：https://blog.csdn.net/yjl9122/article/details/70198357卷积神经网络（CNN）由输入层、卷积层、激活函数、池化层、全连接层组成，即INPUT（输入层）-CONV（卷积层）-RELU（激活函数）-POOL（池化层）-FC（全连接层）卷积层用它来进行特征提取，如下：输入图像是32*32*3，3是它的深度（即R、G、B），卷积层是一个5*5*3...
神经网络的基本组成之卷积层（Conv Layer）&& 利用 Pytorch 搭建神经网络 && 空洞卷积对比普通卷积
Flying Bulldog 的博客
05-24 2301
图1 卷积网络中的 layers 目录 （1）卷积层 （2）本文章设计的函数列表，以及函数的参数解读 （3）代码示例 （4）空洞卷积 （1）卷积层 卷积本是分析数学中的一种运算，在深度学习中使用的卷积运算通常是离散的。作为卷积神经网络中最基础的组成部分，卷积的本质是用卷积核的参数来提取数据的特征，通过矩阵点乘运算与求和运算来得到结果。 如图2 所示为一个基本二维卷积的运算过程，公式为y=ωx+b。这 里的特征图（x）大小为1×5×5，即输入通道数为1，卷积核（ω）的大小为3×3，偏置（...
【卷积神经网络】卷积层，池化层，全连接层
idwtwt的专栏
02-18 5万+
转于：《入门PyTorch》 卷积层是卷积神经网络的核心， 大多数计算都是在卷积层中进行的。 1 卷积层 1.1 概述 首先介绍卷积神经网络的参数。 这些参数是由一些可学习的滤波器集合构成的， 每个滤波器在空间上（ 宽度和高度） 都比较小， 但是深度和输入数据的深度保持一致。 举例来说， 卷积神经网络的第一层卷积一个典型的滤波器的尺寸可以是5×5×3（ 宽和高都是5） ， 或者是3×3...
卷积神经网络CNN各层基本知识
北山啦的博客
11-26 1万+
卷积神经网络(CNN)由输入层、卷积层、激活函数、池化层以及全连接层构成。INPUT（输入层）-CONV（卷积层）-RELU（激活函数）-POOL（池化层）-FC（全连接层）简单来说：卷积用来提取特征，池化压缩特征，全连接层用来加权重。
神经网络通俗指南：一文看懂神经网络工作原理
java、c++、机器学习方向King
04-18 3653
现在谈人工智能已经绕不开“神经网络”这个词了。人造神经网络粗线条地模拟人脑，使得计算机能够从数据中学习。 机器学习这一强大的分支结束了 AI 的寒冬，迎来了人工智能的新时代。简而言之，神经网络可能是今天最具有根本颠覆性的技术。 看完这篇神经网络的指南，你也可以和别人聊聊深度学习了。为此，我们将尽量不用数学公式，而是尽可能用打比方的方法，再加一些动画来说明。
神经网络中的卷积层
helluy的博客
10-29 4341
卷积层两个原则具体计算步骤填充与步幅 两个原则 全连接的线性变换由于前一层和后一层所有的神经元之间都有一对一的连接关系，也称为稠密连接层（Dense Layer）。在实际的应用过程中，这种神经元之间关系的描述可能有许多冗余，对于神经网络模型的训练并不是很友好。为此，人们发明了一系列稀疏（Spare）的连接方式来描述前后两层神经元之间的连接关系，其中最有名的一个就是卷积层（Convolution Layer），对应的神经网络称为卷积神经网络（Convolution Neural Networks，CNN）。
卷积神经网络【CNN】--卷积层的原理详细解读
最新发布
m0_71212744的博客
07-19 1039
卷积层通过卷积核（Convolution Kernel）与输入特征图（通常是图像或其他类型的数据）进行卷积运算，提取出输入数据中的局部特征。这些特征可以是低级的，如边缘、纹理和颜色等，也可以是更高级别的抽象特征，这些特征在后续的网络层中会被进一步处理和组合，以形成更复杂的特征表示。
深度学习——CNN卷积神经网络个人理解笔记汇总
m0_59998867的博客
03-24 4539
一、卷积神经网络 卷积神经网络包括：卷积层、激活函数、池化层、全连接层 通常把神经网络的隐藏层分为卷积层和池化层 二、卷积层块 一般包括：卷积层+激活函数+汇聚层（池化层，又叫下采样层） 三、概念及作用 1）卷积层 通过卷积操作（线性操作，即在原始图像上平移）对输入图像进行降维和特征提取 2）激活函数 用于加入非线性因素，将线性运算变成非线性，解决样本线性模型中不能解决的问题【sigmoid、tanh作激活函数，一定要对input，即输入进行归一化，否则激活后的值都会进入平坦区】.
深度解析：卷积神经网络（CNN）原理与实践
"CNN详细介绍——卷积神经网络的深度解析" 卷积神经网络（CNN，Convolutional Neural Networks）是深度学习领域中的一个重要组成部分，尤其在图像识别、计算机视觉任务中表现出色。本文将深入探讨CNN的基本原理和...
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

打赏作者

图南zzz

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