cnn结构---子豪兄】深度学习之卷积神经网络

最新推荐文章于 2024-03-13 08:32:41 发布
最新推荐文章于 2024-03-13 08:32:41 发布
阅读量150 收藏
点赞数
分类专栏： DeepLearning
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_39060517/article/details/117394786
版权
本文介绍了卷积神经网络（CNN）的基本结构，包括卷积层用于特征提取，池化层防止过拟合并降低数据维度，以及全连接层用于汇总特征。通过多层卷积和池化操作，结合直观的博客推荐和GitHub资源，帮助读者理解CNN的工作原理。
摘要由CSDN通过智能技术生成

tu
在这里插入图片描述
conv 提取特征
pool 防止过拟合+ 减少数据维度+平移不变性
fc 汇总特征
在这里插入图片描述

卷积 池化 卷积 池化 卷积 池化n… fc fc fc

黄色的为3通到的卷积核 是一个， 不是3个

一个卷积核对应一个feature map

在这里插入图片描述

同济子豪推荐的直观介绍cnn的blog
Intuitive Guide to Convolution Neural Networks

conv

下图 32 =卷积核个数；

最低0.47元/天 解锁文章
斐非韭
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
【学习笔记】深度学习之CNN卷积神经网络
my_brother的博客
08-17 2233
什么是CNN（卷积神经网络）？ 定义 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单元，对于大型图像处理有出色表现。 卷积神经网络由一个或多个卷积层和顶端的全连通层（对应经典的神经网络）组成，同时也包括关联权重和池化层（pooling layer）。这一结构使得卷积神经网络能够利用输入数据的二维结构。与其他深度学习结构相比，卷积神经网络在图像和语音识别方面能够给出更好的结果。这一模型也可以使用反向传播算法
1.B站子豪兄·大白话讲解卷积神经网络工作原理
大李出奇迹的博客
03-18 805
本文对应的B站地址：https://www.bilibili.com/video/av35087157 知乎文章地址：https://zhuanlan.zhihu.com/p/49184702 卷积神经网络用在计算机视觉领域，是人工智能的一个分支。计算机视觉就是告诉计算机如何理解图像，包括人脸识别，自动驾驶等。不仅可以用于处理图像还可以处理音频，文本，只要数据能变成图像格式，他都能处理。 卷...
感谢同济子豪兄的分享-关于RCNN论文的学习（二）
hands_up_down的博客
11-17 2331
https://www.bilibili.com/video/BV1d64y1W74E?p=4https://www.bilibili.com/video/BV1d64y1W74E?p=4感谢子豪兄 RCNN之前的目标检测方案的缺陷在于，只能提取像素级别的特征，这些特征只是简单地与领域特征有一点关系，丢失了语义层面的抽象特征 这句不好理解，朝向直方图发展的团块？？？意思就是上一条解释的意思，特征表征能力很差，丢失了很多信息 RCNN的创新有两点： 1.我们可以将高容...
11-13 周一 同济子豪兄CNN卷积神经网络学习记录
不当初
11-13 1017
为了深入理解CNN，进行B站 同济子豪兄深度学习之卷积神经网络的学习.最近一直想要弄清楚这个CNN的工作，并且要能够使用CNN完成自己的神经网络，至少在计算视觉领域能够分析，以及典型的计算机视觉，NLP，语音处理相关的工作。CNN都是一个相对来说比较有用的工作。所以深度学习框架，Tensorflow或者Pytorch都是非常重要的。自己在这方面的积累真的太少了。要尽快的学习，加速自己对于机器学习的沉淀，投入时间，换取成长。
CNN卷积神经网络入门-FASHION MNIST数据集
qq_43765576的博客
11-06 680
CNN卷积神经网络入门-FASHION MNIST数据集
一文总结经典卷积神经网络CNN模型
全栈O-Jay的博客
04-01 6043
总结从1998年至今的优秀CNN模型，包括LeNet、AlexNet、ZFNet、VGG、GoogLeNet、ResNet、DenseNet、SENet、SqueezeNet、MobileNet。了解巨佬们的智慧结晶，学习算法上的思路和技巧，便于我们自己构建模型，也便于我们做迁移学习。
轻量化神经网络 MobileNet 同济子豪直播自用学习记录
负负得正的博客
10-26 200
华为云 ModelArts 子豪学长的论文 边缘计算 不需要网络 手机, 智能指纹锁, 算力不够 这就是需要 轻量化 CNN 预备知识 MobileNetV1 所以要减少内存占用 各大厂商都有自己的边缘计算的库 参数量少，但是效率高 深度可分离卷积 计算量和参数量 扩展阅读 MobileNetV2 改进深度可分离卷积 先升维，再降维 进一步降低参数 扩展阅读 MnasNet 使用了强化学习 遗传算法 MobileNetV3 进一步加强 激活函数使用 h-swish 函数 ..
卷积神经网络(CNN)
qq_43602667的博客
03-13 516
卷积神经网络、深度残差网络
深度卷积神经网络
qq_34425255的博客
03-13 457
浅蓝色的区域的图像上的像素和卷积核上的权重，对应位置相乘，然后求和，写到右边，就生成了一个feature map，这就是一个卷积的运算，在卷积过程中，卷积核的权重是不变的，所以是局部连接，权值共享，这就是卷积的一个特点。分析：这就是整个卷积神经网络的基本架构，卷积，池化，卷积，池化，卷积，池化，全连接，全连接，全连接，输出。池化层又叫下采样层，池化可以减少feature map的尺寸，减小计算量，同时可以防止过拟合，底层的卷积层提取的是一些底层的特征，比如边缘，颜色，中间的卷积层提取的就越来越高级，
fast-style-transfer讲解视频资料，包含唐宇迪版本与同济子豪兄版本
最新发布
03-24
他的fast_style_transfer教程可能会涵盖卷积神经网络（CNN）的基本概念，以及如何利用CNN来提取图像的内容和风格特征。此外，他还可能讲解如何通过反向传播算法优化损失函数，以实现风格的无缝转移。 同济大学子豪...
基于图像增强与深度学习的钢轨表面缺陷检测.pdf
08-18
Faster R-CNN 卷积神经网络是深度学习中的一种常用技术，能够实现多尺度目标检测。通过改进 Faster R-CNN 卷积神经网络，可以实现钢轨表面缺陷的检测与识别。实验结果表明，所提出的检测算法可以达到高精度的检测...
非线性层(ReLU)
oldmoney
05-27 1765
非线性层(ReLU) 非线性修正函数**ReLU(Rectified Linear Unit)**如下图所示： 这是一个对每个像素点实现点乘运算，并用0来替换负值像素点。其目的是在CNN中加入非线性，因为使用CNN来解决的现实世界的问题都是非线性的，而卷积运算是线性运算，所以必须使用一个如ReLU的非线性函数来加入非线性的性质。 其他非线性函数还包括tanh和Sigmoid,但是ReLU函数已经被证明在大部分情况下性能最好。 ...
Tensorflow模型的格式
oldmoney
06-04 728
tensorflow模型的格式通常支持多种，主要有CheckPoint(.ckpt)、GraphDef(.pb)、SavedModel。 1. CheckPoint(*.ckpt) 在训练 TensorFlow 模型时，每迭代若干轮需要保存一次权值到磁盘，称为“checkpoint”，如下图所示： 这种格式文件是由 tf.train.Saver() 对象调用 saver.save() 生成的，只包含若干 Variables 对象序列化后的数据，不包含图结构，所以只给 checkpoint 模型不提供代码是
Pooling层/池化层/采样层
oldmoney
05-27 600
Pooling层 **空间合并（Spatial Pooling)**也可以叫做子采样或者下采样，可以在保持最重要的信息的同时降低特征图的维度。它有不同的类型，如最大化，平均，求和等等。 对于Max Pooling操作，首先定义一个空间上的邻居，比如一个2 × 2 2\times 22×2的窗口，对该窗口内的经过ReLU的特征图提取最大的元素。除了提取最大的元素，还可以使用窗口内元素的平均值或者是求和的值。不过，Max Pooling的性能是最好的。例子可以如下图所示： 上图中使用的步进值是2。 根据相关理
超有趣的神经网络可视化工具Tensorflow-Playground
oldmoney
05-30 416
https://www.bilibili.com/video/BV15J411u7Ly 正则化对高次系数进行惩罚 batch size 每次喂的数据个数 epoch 1 = 遍历一遍train数据 非线性激活函数 sigmoid ： 2分类 负无穷 到正无穷 压缩到【0 1】 tanh gan lstm 负无穷 到正无穷 压缩到【-1 1】 relu cnn 各种神经网络的用途 cnn 计算机视觉 rnn 语音处理 自然语言处理 gan 生成图片 https://www.b
market1501 dataset
oldmoney
05-31 408
market1501 dataset reid https://drive.google.com/file/d/0B8-rUzbwVRk0c054eEozWG9COHM/view
cnn介绍
oldmoney
05-27 328
深度学习之卷积神经网络CNN及tensorflow代码实现示例 卷积神经网络CNN的结构一般包含这几个层： 输入层：用于数据的输入 卷积层：使用卷积核进行特征提取和特征映射 激励层：由于卷积也是一种线性运算，因此需要增加非线性映射 池化层：进行下采样，对特征图稀疏处理，减少数据运算量。 全连接层：通常在CNN的尾部进行重新拟合，减少特征信息的损失 输出层：用于输出结果 当然中间还可以使用一些其他的功能层: 归一化层（Batch Normalization）：在CNN中对特征的归一化 切分层：对某些（图片）数
【tensorflow】 ：AttributeError: module ‘tensorflow‘ has no attribute ‘app‘
oldmoney
06-03 309
AttributeError: module ‘tensorflow’ has no attribute ‘app’ solution: import tensorflow ad tf 改为 import tensorflow.compat.v1 as tf 之后又报错： sess.run(tf.global_variables_initializer()) TypeError: Fetch argument None has invalid type <class ‘NoneType’>.
R-CNN深度学习目标检测技术解析
R-CNN（Region-based Convolutional Neural Network）是一种基于区域的卷积神经网络，它在2014年由Ross Girshick等人提出，是深度学习在目标检测领域的重要里程碑。论文主要关注提高在PASCAL VOC等标准数据集上的...
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