【科普】简述CNN的各种网络架构

已于 2024-11-28 18:48:36 修改
阅读量1.6k 收藏 15
点赞数 6
分类专栏： 科普 机器学习 文章标签： cnn 人工智能 神经网络
于 2024-11-10 22:51:10 首次发布
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_67822268/article/details/143668457
版权

卷积神经网络（CNN）是深度学习中的重要组成部分，广泛应用于计算机视觉任务，如图像分类、目标检测等。
在CNN的发展过程中，许多经典的网络架构被提出并不断改进，其中包括VGG、ResNet、GoogleNet等。

1. VGG (Visual Geometry Group)

VGG是由牛津大学的视觉几何组（Visual Geometry Group）在2014年提出的一种深度卷积神经网络架构。最著名的版本是VGG-16和VGG-19，它们分别包含16和19个层次。

结构特点：

  • 统一的卷积核大小：VGG使用3x3的小卷积核来堆叠层，所有卷积层的滤波器大小都统一，降低了网络设计的复杂性。
  • 深度网络：VGG通过加深网络深度来提升网络的表达能力，通常使用多个连续的卷积层进行特征提取。
  • 池化层：每经过几层卷积后，VGG使用2x2的最大池化（Max Pooling）来减小特征图的尺寸。

优点：

  • 简单且易于实现：VGG的结构较为简单，便于理解和实现。
  • 性能较好：在图像分类任务中，VGG取得了不错的效果&#
最低0.47元/天 解锁文章
CNN网络架构 -- AlexNet
weixin_38862073的博客
07-05 364
这里写自定义目录标题简介网络结构图像在网络中的变化论文创新点思考 简介 AlexNet是2012年ImageNet图像数据集分类深度网络冠军模型，且这比前一年的冠军水平要好得多，伴随着它而发表的论文是《ImageNet Classification with Deep Convolutional Neural Networks 》，在12年这是一个巨大的深层卷积网络，网络具有6000万个参数和65万个神经元，在当时算力有限的条件下，使用GPU将网络分成两部分进行并行计算 网络结构 上图是AlexNet网络
一文彻底搞懂CNN - 模型架构（Model Architecture）
2401_85377976的博客
08-24 4107
由输入层、卷积层、池化层以及全连接层组成，通过卷积操作提取图像特征，并通过池化减少参数数量，最终通过全连接层进行分类或回归。输入层：接收原始图像数据，可能需要进行预处理，如归一化、尺寸调整等。卷积层：通过一系列可学习的卷积核（或称为滤波器）对输入图像进行卷积操作，以提取图像中的局部特征。每个卷积核都会生成一个特征图（feature map），这些特征图共同构成了卷积层的输出。池化层：通常位于卷积层之后，用于对特征图进行下采样，以减少数据的空间维度和参数数量，同时保留重要特征。
卷积神经网络（CNN）的主要架构
最新发布
彩旗工作室的博客
03-13 1629
卷积神经网络（CNN）不断演进，以提升深度、计算效率和适应性。早期架构奠定基础，随后引入更深层次网络、残差连接和轻量化设计，以提高性能并减少计算成本。近年来，研究重点转向自动优化 CNN 结构，如 EfficientNet 和 RegNet，以及结合 Transformer 设计优化 CNN，如 ConvNeXt。尽管 Transformer 逐渐崛起，CNN 仍在计算机视觉任务中占据重要地位，并持续优化以适应不同应用场景。
CNN架构
qq_25366173的博客
05-07 1369
简单的CNN架构通常包含卷积层（tf.nn.conv2d）、非线性变换层（tf.nn.relu）、池化层（tf.nn.max_pool）及全连接层（tf.nn.matmul）。如果没有这些层，模型便很难与复杂的模式匹配，因为网络将被填充过多的信息。一个设计良好的CNN架构会突出那些重要的信息，而将噪声忽略。1.get_shapeTensorFlow的输入流水线（用于读取和解码文件）拥有一种为使用一...
经典的CNN架构
yuange1666的博客
12-03 1714
在深度学习中，dropout最流行的正则化技术，它被证明非常成功，即使在顶尖水准的神经网络中也可以带来 1%到 2%的准确度提升，这可能乍听起来不是特别多，但是如果模型已经有了 95%的准确率，获得 2%的准确率提升意味着降低错误率大概 40%，即从 5%的错误率降低到 3%的错误率！1. BN 是在 batch 上，对 N、H、W 做归一化，而保留通道 C 的维度。2. LN 求均值时，相当于把每一本书的所有字加起来，再除以这本书的字符总数：C×H×W，即求整本书的“平均字”，求标准差时也是同理。
CNN网络架构 -- ZFNet
weixin_38862073的博客
07-05 352
简介 ZFNet模型获得2013年ImageNet视觉挑战赛的冠军，是在AlexNet的基础上改进而来，网络结构没有太大的突破，论文名称是《Visualizing and Understanding Convolutional Networks》。论文最大的贡献是通过可视化技术揭示了神经网络的各层到底在干什么，起到了什么作用，作者使用多层的反卷积来可视化训练过程中特征的演化及发现潜在的问题。 论文动机 CNN性能良好，识别分类精度高，但不知道为何良好，网络像黑箱子，可解释性差。 网络架构 网络整体架构和A
基于深度卷积神经网络,深度卷积神经网络结构
wenangou的博客
10-24 1701
深度学习 deep learning深度学习定义：欣顿（Hinton）等提出的一种研究信息的最佳表示及其获取方法的技术，在神经网络或信念网络的情况下是对基于深层结构或网络表示的输入输出间映射进行机器学习的过程。学科：计算机科学技术_人工智能_神经网络相关名词：数据挖掘 人工智能 机器学习【深度学习相关】
【科普】简述机器学习和深度学习及其相关的算法
哇咔咔哇咔的博客
11-07 1116
简单叙述机器学习与深度学习及其相关算法并举例
CNN(卷积神经网络)、RNN(循环神经网络)、DNN(深度神经网络)的内部网络结构有什么区别？
凌风探梅的专栏
12-21 9809
CNN(卷积神经网络)、RNN(循环神经网络)、DNN(深度神经网络)的内部网络结构有什么区别？ 从广义上来说，NN(或是更美的DNN)确实可以认为包含了CNN、RNN这些具体的变种形式。在实际应用中，所谓的深度神经网络DNN，往往融合了多种已知的结构，包括卷积层或是LSTM单元。但是就题主的意思来看，这里的DNN应该特指全连接的神经元结构，并不包含卷积单元或是时间上的关联。 因此，题主一定要将DNN、CNN、RNN等进行对比，也未尝不可。 其实，如果我们顺着神经网络技术发展的脉络，就很容易弄清这几种网络结
人工神经网络可以做什么,人工神经网络有什么用
aifamao3的博客
08-21 1029
大脑互联网心理学(BrainInternetpsychology)重点研究互联网对人类大脑在心理学层面的影响和重塑，包括但不仅限于互联网对使用者产生的网瘾问题，互联网对使用者智商影响问题，互联网对使用者情绪和社交关系的影响问题等互联网认知科学（TheInternetincognitivescience）可看做互联网神经生理学，互联网神经心理学，大脑互联网生理学，大脑互联网心理学的组合交叉，重点研究互联网和大脑两个巨系统相互影响，相互塑造，相互结合，互助进化，从而产生智慧，认知，情绪的深层次原理。
CNN[卷积神经网络]的架构
加文斯利的博客
05-25 556
CNN卷积神经网络 在全连接神经网络里拿掉一些参数，就可以得到用于影像处理的CNN。 CNN主要的流程为：重复卷积和Max pooling的流程，最后扁平化得到结果。 卷积Convolution 卷积神经网络主要面向三个问题 1、相同的图案可能出现在不同的地方 2、一些图案可能远比整个图案要小，比如鸟的嘴 3、对像素进行子采样不会更改对象 以一张黑白图为例，墨水沾到的地方设为1，没沾到的地方设为0 将会有一组过滤器进行过滤，那么如何理解过滤器呢？ 过滤器就是一个矩阵，它类比于全连接网络中的一个神经网络，用
CNN网络结构进化概述
蚂蚁搬家
12-20 2304
网络工程问题是深度学习中比较基础的问题，网络工程的难点在于，缺乏对深度神经网络的理论理解（即常说的黑盒模型），无法根据理论来设计网络结构，实际中更多的是不断的尝试，根据实验反馈出来的结果确定某一结构是不是好的结构。在这些尝试中，CNN是一种非常成功的网络形式，CNN的网络结构迭代速度也非常快，诸如大家所熟知的AlexNet，VGGnet，GoogleNet，ResNet，ResNext，Dense...
CNN 网络结构简介
星海浮生
10-26 1003
本文通过整理李宏毅老师的机器学习教程的内容，介绍 CNN（卷积神经网络）的网络结构。
CNN系列框架
我の博客
11-09 2983
深度学习的思想被提出后, 卷积神经网络在计算机视觉等领域取得了快速的应用, 有很多经典、有意思的网络框架也应然而生. 1. LeNet-5 LeNet-5卷积网络是由LeCun在1998年发表的《Gradient-Based Learning Applied to Document. Recognition》中提出的网络框架. 这是最早的一类卷积神经网络, 其在数字识别领域的应用方面取得了巨大的成功 (手写字体识别). 在LeNet-5中, 输入为 32×3232 \times 3232×32 的灰度图像
典型的CNN架构
weixin_45342712的博客
07-05 1078
典型的CNN架构： 图像先进行多层卷积层（每个卷积层后一个接relu层和一个池化层）处理后输入给全连接神经网络层和relu层最后是输出层Softmax层输出预测的类概率，卷积层的卷积核过大会增加权重值的计算量卷积后的结果与小卷积核结果可能一致 图像模型评估： top-five错误率是测试图片系统判断前5个类别预测都没有包含正确答案的数量，由于CNN模型的出现，错误率从26%降到了3% 经典模型： ...
CNN经典架构
WYJ的博客
09-07 2349
PyTorch实现CNN的5种经典架构，欢迎相互学习交流！
CNN网络架构笔记
qq_28124551的博客
05-02 224
深度学习初学笔记1@TOC 几个注意事项： 1.关于CNN中的卷积，很多情况下考虑的是三维的卷积，所以卷积核常常是aab；这种情况下多通道的特征图，就能通过三维卷积有效融合； 2.CNN中，并不是网络层数越多效果越好，因为这涉及到参数训练的问题，第一，参数更多，优化难度加大，则会出现更大的训练误差，有可能退化网络；第二，梯度是否出现渐渐消失的情况；第三，是否会出现过拟合；Resnet怎么解决的：通...
CNN网络架构演进
kakak_的博客
02-16 371
CNN网络架构 CNN从90年代的LeNet开始，21世纪初沉寂了10年，直到12年AlexNet开始又再焕发第二春，从ZF Net到VGG，GoogLeNet再到ResNet和最近的DenseNet，网络越来越深，架构越来越复杂，解决反向传播时梯度消失的方法也越来越巧妙。 上面那图是ILSVRC历年的Top-5错误率，我们会按照以上经典网络出现的时间顺序对他们进行介绍。 本文将会谈到以下经典的...
使用RINA架构增强物联网设备的网络安全对抗网络流攻击
"本文探讨了如何利用递归网络互连架构（RINA）来保护物联网设备免受网络流攻击。作者N.Bhushana Samyuel和Benjamin A. Shimray来自印度曼尼普尔邦国家理工学院电气工程系。文章在Elsevier出版的ICTExpress期刊上发表...
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

哇咔咔哇咔

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