Convolutional Neural Networks

最新推荐文章于 2024-05-30 07:45:00 发布
最新推荐文章于 2024-05-30 07:45:00 发布
阅读量329 收藏
点赞数
文章标签： CNN
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/weixin_38527856/article/details/84075061
版权

略搞一下卷积神经网络的工作原理，ding~~

以下内容是本人在观看Youtube上关于卷积神经网络讲解播放量最大的视频：《How Convolutional Neural Networks work》的学习笔记~

整体：输入→CNN→输出

输入为二维的像素图片，CNN是一个函数（假设为黑箱），输出的是图片的标签

接下来就破解黑箱吧！

图片X→CNN→X，把旋转等变形之后的X输入之后，输出还是X

正式开始

1、卷积运算

把和卷积核一样的特征从图片X中提取出来，这一步骤是说要把卷积核从原图片进行依次扫描，对应位置相乘再除以卷积核中元素的个数，得到的是卷积核与原图片的相似度，从而形成特征图

用不同的卷积核对图片进行运算就可以得到不同的特征图

如人脸识别中，将脸上的各个特征对原图进行卷积运算，将会产生巨大的运算量

2、池化Pooling--下采样

把经过卷积运算之后的特征图进行压缩，以降低运算量

方法：减损一部分特征图的特征，即把某个区域用一个数字来代替

分为最大池化和平均池化：最大池化就是用这个区域的最大值来代替此区域，平均池化就是用这个区域的平均值来代替次区域，一般用Max polling

Zero Padding---受扫描特征图步长的影响，若需提取图像的边缘特征就要在外侧补0

3、标准化

使用修正线性单元激活函数（Rectified Linear Units）把负数变为0，此函数和sigmod函数功能差不多

但不同的是，Sigmod函数在x=0处取0.5，x<0时取0，x>0时取1；而ReLUs则是在x<0时取0，x>1时取它本身的值

也对后续的梯度下降起作用

4、全连接层

把得到的特征图的数据排列成一列，每个值的权重不同，乘以权重后相加可以得到特征值

权重是通过BP传播进行计算的，开始的权重是一个随机数，最后得到误差最小的参数组合

而在这过程中，需要人为确定的参数是：卷积计算中的特征数目、特征的尺寸大小；池化里的窗口大小，步长；全连接层的神经元个数，神经网络中每层的seta值

 

Zhen大虾
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
卷积神经网络 (Convolutional Neural Network)
禅与计算机程序设计艺术
06-17 1048
卷积神经网络 (Convolutional Neural Network) 1.背景介绍 卷积神经网络(Convolutional Neural Network, CNN)是一种前馈神经网络,它的人工神经元可以响应一部分覆盖范围内的周围数据,对于大型图像
Convolutional Neural Networks.pdf
03-04
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. Each neuron receives some inputs, performs a dot product and optionally follows it with a non-linearity.
Convolutional Neural Networks (卷积神经网络)
07-16 382
　　刚进实验室，被叫去看CNN。看了一些博客和论文，消化了很久，同时觉得一些博客存在一些谬误。我在这里便尽量更正，并加入自己的思考。如果觉得本文有哪里不妥或疑惑，请在下面发表评论，大家一起探讨。如有大神路过，请务必教我做人。然后，那些捣乱的，泥垢，前面左转不送。 　　卷积神经网络(CNN)是deep learning的基础。传统的全连接神经网络(fully connected netw...
Deep Learning（深度学习）学习笔记整理系列之（七）
热门推荐
zouxy09的专栏
04-10 66万+
Deep Learning（深度学习）学习笔记整理系列 zouxy09@qq.com http://blog.csdn.net/zouxy09 作者：Zouxy version 1.0 2013-04-08 声明： 1）该Deep Learning的学习系列是整理自网上很大牛和机器学习专家所无私奉献的资料的。具体引用的资料请看参考文献。具体的版本声明也参考原文献。 2）本文仅供学
Practical Convolutional Neural Networks
05-05
“Practical Convolutional Neural Networks: Implement advanced deep learning models using Python” Md. Rezaul Karim,Mohit Sewak,Pradeep Pujari 2018年2月 epub文件，内含示例源码
《A Survey of the Recent Architectures of Deep Convolutional Neural Networks》
03-03
人工智能领域—计算机视觉最新文章观察，2019《A Survey of the Recent Architectures of Deep Convolutional Neural Networks》67页pdf原文
Deep Spatial-Temporal 3D Convolutional Neural Networks for Traffic Data Forecasting
02-08
Deep Spatial-Temporal 3D Convolutional Neural Networks for Traffic Data Forecasting
vechicle classification using convolutional neural networks
05-27
论文标题《使用卷积神经网络的车辆分类》（Vehicle classification using convolutional neural networks）明确指出研究的核心内容。 在智能交通系统中，车辆分类是一个关键组成部分，它可以应用于交通控制、流量...
Convolutional Neural Networks (CNNs / ConvNets)
moonlightpeng的博客
11-02 1408
原文链接CS231n Convolutional Neural Networks for Visual Recognition Table of Contents: Architecture Overview ConvNet Layers Convolutional Layer Pooling Layer Normalization Layer Fully-Connected Layer Converting Fully-Connected Layers to Convolutio.
Convolutional Neural network(卷积神经网络)
长路漫漫亦灿灿
05-15 2834
卷积神经网络
Convolutional Neural Networks with TensorFlow
Loy Fan
04-26 649
article link Aditya Sharma March 10th, 2018 In this tutorial, you’ll learn how to construct and implement Convolutional Neural Networks (CNNs) in Python with the TensorFlow framework. TensorFlow is a...
深度学习 专项课程 (四) —— Convolutional Neural Networks
LJ的博客
09-13 982
Coursera - Convolutional Neural Network - Andrew Ng 学习随笔 Part 1 Fundations of Convolutional Neural Network 一些常识：卷积意义基本性质. 尺寸计算 [((2xPad + Input) - Filter) / Stride + 1]. **Valid Convolution：不加padCou...
机器学习实战（十三）：Convolutional Neural Networks
WNM的博客
12-27 448
本章，首先介绍CNN从哪里来，构建模块是怎样的，以及如何使用TF实现 The Architecture of the Visual Cortex 视觉皮层神经元有一块小的局部接受野（receptive field），即只对视野的局部区域视觉刺激做出反应。不同神经元的接受野可能会有重复，一起平铺在整个视觉区域，可能作用于不用方向。 CNN由此逐渐形成，LeNet-5除了熟知的全连接层、S形激活函数以外，引入了卷积层和池化层两个新的构建块。 为什么用部分连接层而不是全连接层DNN进行图像识别的原因是，全连接层对
Convolutional neural networks(CNN) (十二) Convolutional Neural Network Theory
ColdCode's Hello World~
09-11 748
{作为CNN学习入门的一部分，笔者在这里逐步给出UFLDL的各章节Exercise的个人代码实现，供大家参考指正} UFLFL的Wiki部分并没有介绍CNN网络在添加了Convolutional Layer 以及 Pooling Layer之后的Fine-tuning方法，在UFLDL的Tutorial部分找到了相关的介绍，再次进行了进一步的整理和说明：
Convolutional Neural Networks & CNN Application-2
smoggyxhdz的博客
09-08 381
版权为吴恩达老师所有，参考Koala_Tree的博客，部分根据自己实践添加 使用google翻译，部分手工翻译 你可能需要的参考资料https://pan.baidu.com/s/1y_pb9HiAIBwQVKuMG_ZONw 第2部分：卷积神经网络：应用 欢迎来到课程4的第二个作业！在这个笔记本中，您将： 实现在实现TensorFlow模型时将使用的辅助函数 使用TensorFlow...
卷积神经网络（Convolutional Neural Networks，CNN）
最新发布
weixin_43156294的博客
05-30 2064
卷积神经网络（Convolutional Neural Networks，CNN）是一种深度学习架构，它在图像和视频识别、分类以及相关的视觉识别任务中非常有效。CNN基于人脑处理视觉信息的方式，特别是视觉皮层中神经元的层次结构和连接模式。
convolutional neural networks
03-16
卷积神经网络（Convolutional Neural Networks，CNN）是一种深度学习网络架构，它使用卷积运算来提取图像中的特征。它通常用于图像分类、目标检测、图像生成等任务。CNN 由一系列卷积层、池化层、全连接层组成，其中卷积层和池化层负责特征提取，全连接层负责分类。
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