卷积神经网络

最新推荐文章于 2022-06-05 23:59:50 发布
最新推荐文章于 2022-06-05 23:59:50 发布
阅读量320 收藏 1
点赞数 1
分类专栏： 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/u011070767/article/details/80579833
版权
卷积神经网络通过3x3卷积与非线性激活函数交替使用，能更有效地提取深层特征，但反向传播时中间层可能占用更多内存。欲深入理解，可参考作者在github上的相关代码。
摘要由CSDN通过智能技术生成
卷积层
每个滤波器作用得到激活图，激活图 中白色表示响应强烈的部分，黑色表示响应弱的部分

只有原图尺寸减去滤波器尺寸得到值N，N可整除的步长stride才是有效的步长

如果滤波器尺寸为F*F, stride为1，那么如果在输入图补(F - 1) / 2 圈0值像素，得到的激活图可以和输入图尺寸不变

滤波器的数目K一般是2的指数，因为当这个值是2的指数的时候有些库会使用特殊的计算方式，计算效率会大大提高

之所以做填充，是为了不让多层卷积后的激活图像越来越小，导致后面不利于卷积计算

卷积层的计算：
激活器每个点是滤波器和输入图的一部分做点乘之和再加上b得到的；
激活器的纬度是滤波器的个数


池化层
不会对输入图像做填补，而是使用滤波器计算后缩小输入图像的尺寸，而且不会改变输入数据的纬度


提升：
一、为什么卷积核最常见尺寸是3x3？
1、3x3是最小的能同时兼顾上下左右中心的尺寸
2、两个3x3卷积层相当于一个
最低0.47元/天 解锁文章
快剑青衣
关注
  • 1
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
ConvNet---20年代的卷积神经网络
weixin_50060428的博客
06-01 7393
视觉识别的“咆哮的 20 年代”始于 Vision Transformers (ViTs) 的引入，它迅速取代了 ConvNets，成为最先进的图像分类模型。另一方面，普通的 ViT 在应用于目标检测和语义分割等一般计算机视觉任务时面临困难。正是分层 Transformer（例如 Swin Transformers）重新引入了几个 ConvNet 先验，使得 Transformer 作为通用视觉骨干实际上可行，并在各种视觉任务上表现出卓越的性能。
卷积知识（一）
影子
06-29 3540
通俗理解卷积的概念： 卷积的重要的物理意义是：一个函数（如：单位响应）在另一个函数（如：输入信号）上的加权叠加。 先解释一下什么是加权： 通俗点就举列子把, 统计学认为，在统计中计算平均数等指标时，对各个变量值具有权衡轻重作用的数值就称为权数． 还是举个例子吧 求下列数串的平均数 3、4、3、3、3、2、4、4、3、3、 一般求法为（3＋4＋3＋3＋3＋2＋4＋4＋3＋3）／10＝3．...
为什么要使用3×3卷积？& 1*1卷积的作用是什么？& 对ResNet结构的一些理解
weixin_45928096的博客
01-14 1万+
为什么要使用3×3卷积？& 1*1卷积的作用是什么？& 对ResNet结构的一些理解 在感受野相同的情况下，三个3×3卷积比一个7×7卷积所需参数要少很多，这无疑减少了模型的复杂度，加快了训练速度。 神经网络将像素空间的信息转化为语义信息。 卷积核和池化使得图像长宽方向的信息逐渐减小，而卷积通道数逐层增加通道信息逐渐增加。 1×1的卷积可以用来降维和升维（匹配维度），在ResidualBlock中减少模型参数数量。
A ConvNet for the 2020s
Le0v1n 的博客
05-31 2123
A ConvNet for the 2020s
卷积与反卷积、步长（stride）与重叠（overlap）及 output 的大小
热门推荐
03-10 2万+
1. 卷积与反卷积如上图演示了卷积核反卷积的过程，定义输入矩阵为 II（4×44\times 4），卷积核为 KK（3×33\times 3），输出矩阵为 OO（2×22\times 2）： 卷积的过程为：Conv(I,W)=O\text{Conv}(I, W)=O 反卷积的过称为：Deconv(W,O)=I\text{Deconv}(W,O)=I（需要对此时的 OO 的边缘进行延拓 padding
卷积神经网络ppt.pptx
01-21
卷积神经网络（Convolutional Neural Network，CNN）是一种深度学习模型，主要用于图像识别和处理任务。其设计灵感来源于人脑的视觉皮层结构，通过模拟大脑对视觉信息的处理方式，实现了对图像特征的有效提取和学习...
卷积神经网络概述及python实现
02-24
对于卷积神经网络（CNN）而言，相信很多读者并不陌生，该网络近年来在大多数领域都表现优异，尤其是在计算机视觉领域中。但是很多工作人员可能直接调用相关的深度学习工具箱搭建卷积神经网络模型，并不清楚其中具体...
卷积神经网络CNN
06-12
卷积神经网络（Convolutional Neural Network，简称CNN）是深度学习领域中一种重要的神经网络模型，主要用于图像处理和计算机视觉任务。CNN以其独特的结构设计，有效地捕获了图像数据中的空间局部特征，并能进行层次...
卷积与反卷积 步长（stride）与重叠（overlap）及 output 的大小
hftytf的博客
11-12 785
卷积与反卷积 步长（stride）与重叠（overlap）及 output 的大小
深度学习笔记----不同卷积类型的总结
YOULANSHENGMENG的博客
11-12 5475
1，标准卷积 卷积核上所有作用点依次作用于原始像素点后（即乘起来），线性叠加的输出结果，即是最终卷积的输出，也是我们想要的结果，我们称为destination（目标） pixel. 标准卷积的计算公式为： 标准卷积有多种卷积方法，可划分为三种：Same卷积、Valid卷积、Full卷积(反卷积)。 有个博文详细讲卷积，可以参考下： 卷积原理_abyss_miracle的博客-CSDN博客_卷积原理 1.1Same卷积 通过Padding填充0运算保证卷积...
卷积网络CNN中各种常见卷积
qq_45312141的博客
05-10 495
卷积网络CNN中各种常见卷积过程[卷积 Convolution](https://www.jianshu.com/p/2a0f3a4a9d1d)(参考)1x1卷积3D卷积反卷积/转置卷积 Transposed Convolutions/ deconvolution空洞卷积/扩张卷积 Dilated Convolutions深度卷积卷积分解（Factorizing Convolutions）池化重叠池化 (Overlapping Pooling)防止梯度消失局部归一化（Local Response Norma
详述Deep Learning中的各种卷积（二）
Redflashing
01-18 520
作者：Redflashing 本文梳理举例总结深度学习中所遇到的各种卷积，帮助大家更为深刻理解和构建卷积神经网络。 本文将详细介绍以下卷积概念： 2D卷积（2D Convolution） 3D卷积（3D Convolution） 1∗11*11∗1卷积（1∗11*11∗1 Convolution） 反卷积（转置卷积）(Transposed Convolution） 扩张卷积（Dilated Convolution / Atrous Convolution) 空间可分卷积（Spatially Separ
又快又强的轻量化主干来了！EfficientFormer：在iPhone上能实时推理的ViT模型
阿木寺的博客
06-05 2167
点击下方卡片，关注“CVer”公众号AI/CV重磅干货，第一时间送达转载自：集智书童EfficientFormer: Vision Transformers at MobileNet Speed论文：https://arxiv.org/abs/2203.03952代码（即将开源）：https://github.com/hkzhang91/EdgeFormerVision ...
卷积神经网络CNN基本概念（一） 卷积与反卷积、步长（stride）与重叠（overlap）
a1809032425的博客
07-22 1万+
卷积神经网络CNN基本概念（一） 卷积与反卷积、步长（stride）与重叠（overlap） 参考网址：https://blog.csdn.net/lanchunhui/article/details/61210506 1. 卷积与反卷积 如上图演示了卷积核反卷积的过程，定义输入矩阵为II（4×44×4），卷积核为KK（3×33×3），输出矩阵为OO（2×22×2）...
mini-batch
qq_43152949的博客
10-20 298
mini-batch（花书p171） n个样本均值的标准差是σ / √ n ,其中σ是样本真实的标准差，其中σ是样本值真实的标准差。分母√ n表明使用更多的样本来估计梯度的方法的收益是低于线性的。例如，比价两个假象的梯度计算，一个基于100个样本， 一个基于10000个样本，后者需要的计算量是前者的100倍，却只降低了10倍的均值标准差。如果能够快速的计算出梯度估计值，而不是缓慢的计算准确的梯度值...
【深度学习】卷积计算后输出维度计算方法
杨小浩浩的博客
12-22 8818
卷积运算 深度学习中，利用卷积核对图片提取特征已经十分常用且普遍，本文介绍经过卷积运算后的输出维度计算方法。 卷积输出维度计算 已知： 假设输入的图片尺寸：A x A 卷积核大小：K 步长Stride：S Padding大小：P 求解： 输出的embedding维度B：B = (A + 2*P - K) / S + 1 逐步理解： A + 2*P (size + 2 * padding) ===> 将原图片拓展 A + 2*P - K ===> 根据卷积核大小把最后一个抛掉 (A + 2*
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