一维卷积filter_理解CNN卷积层与池化层计算

最新推荐文章于 2024-08-24 11:11:43 发布
最新推荐文章于 2024-08-24 11:11:43 发布
阅读量1.7k 收藏 2
点赞数
文章标签： 一维卷积filter
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_39814126/article/details/113690270
版权
本文介绍了卷积神经网络（CNN）中的卷积层和池化层的计算，讨论了不同步长、填充方式对输出的影响。通过实例展示了卷积核大小、步长和填充方式如何改变输出尺寸。此外，还探讨了小卷积核的优势，以及如何通过一维卷积分解二维卷积来减少计算复杂度。最后，阐述了池化层的作用，包括均值池化和最大值池化，并给出了计算示例。
摘要由CSDN通过智能技术生成

概述

深度学习中CNN网络是核心，对CNN网络来说卷积层与池化层的计算至关重要，不同的步长、填充方式、卷积核大小、池化层策略等都会对最终输出模型与参数、计算复杂度产生重要影响，本文将从卷积层与池化层计算这些相关参数出发，演示一下不同步长、填充方式、卷积核大小计算结果差异。

一：卷积层

卷积神经网络(CNN)第一次提出是在1997年，杨乐春(LeNet)大神的一篇关于数字OCR识别的论文，在2012年的ImageNet竞赛中CNN网络成功击败其它非DNN模型算法，从此获得学术界的关注与工业界的兴趣。毫无疑问学习深度学习必须要学习CNN网络，学习CNN就必须明白卷积层，池化层等这些基础各层，以及它们的参数意义，从本质上来说，图像卷积都是离散卷积，图像数据一般都是多维度数据(至少两维)，离散卷积本质上是线性变换、具有稀疏与参数重用特征即相同参数可以应用输入图像的不同小分块，假设有3x3离散卷积核如下：

17f6a16bdc775f143afb09818ec176d0.png

假设有

5x5的图像输入块

步长为1(strides=1)

填充方式为VALID(Padding=VALID)

卷积核大小filter size=3x3

则它们的计算过程与输出如下

最低0.47元/天 解锁文章
weixin_39814126
关注
基于FPGA的一维卷积神经网络CNN的实现（七）池化层实现
Crazzy_M的博客
06-18 1752
池化层实现环境： Pytorch，Pycham，Matlab。（订阅后有问题，或者需要该节的文件 请私信）说明： 上一节已经介绍了卷积层电路实现的原理，这一节主要介绍池化层实现的原理 。第一节：基于FPGA的一维卷积神经网络CNN的实现（一）框架 第二节：基于FPGA的一维卷积神经网络CNN的实现（二）资源分配 第三节：基于FPGA的一维卷积神经网络CNN的实现（三）训练网络搭建及参数导出（附代码） 第四节：基于FPGA的一维卷积神经网络CNN的实现（四）Matlab前向验证（附代码） 第五节：基于FPGA
一维卷积（1D-CNN）、二维卷积（2D-CNN）、三维卷积（3D-CNN）
程序员，他们想的是什么?他们想的永远都是技术，他们崇尚的也永远都是技术。
11-07 6025
比如：对3幅连续帧用三维卷积核进行卷积，可以理解为用3个不同的二维卷积核（二维卷积神经网络中使用的卷积核）卷积3张图，并将卷积结果相加（通过这种处理，网络就提取了时间之间的某种相关性）；上图的三维卷积是对连续的三帧图像进行卷积操作（堆叠多个连续帧组成一个立方体，在立方体中利用三维卷积核进行卷积，这样得到的每个特征map都与上一层中3个邻近的连续帧相连）；3（3为时间维度），即每次操作3帧图像，采用了2种不同的3D卷积核，增加了maps数量；2D卷积：卷积核在输入图像的二维空间进行滑窗操作。
CNN中的filter
ncst
07-09 2万+
分解一张图片 CNN 的第一步是把图片分成小块。我们通过选取一个给定宽度和高度的滤波器来实现这一步。 滤波器会照在图片的小块 patch （图像区块）上。这些 patch 的大小与滤波器一样大。 如之前视频所示，CNN用滤波器来把图片分割成更小的 patch，patch 的大小跟滤波器大小相同。
一文彻底搞懂CNN - 卷积和池化（Convolution And Pooling）
2401_85377976的博客
08-24 3005
卷积（）：卷积是一种数学运算，在CNN中，它通过滑动窗口（也称为卷积核或滤波器）在输入图像或特征图上滑动，并计算窗口内元素与对应卷积核元素的加权和（包括偏置项），从而生成输出特征图。卷积是一种特殊的线性运算，用于提取图像中的局部特征。CNN通过使用一个或多个卷积核（也称为滤波器或特征检测器）在输入数据（如图像）上进行滑动窗口操作来提取特征。一个可学习的权重矩阵，其大小通常远小于输入图像的大小，用于在输入图像上滑动并进行元素级的乘法累加操作。
一维和二维卷积和池化
Mr.horse的博客
07-24 3506
一维卷积的卷积核是二维的，二维卷积的卷积核是三维的（因为卷积要考虑深度，即通道数） 例如输入数据为(128,32,28,28)，128为batch size，32为channel，28和28是hight和width，如果采用二维卷积，卷积核大小为5*5，则实际上卷积核大小为32*5*5。如果输入数据为(128,32,28)，128为batch size，32为channel，28是width，如果采用一维卷积，卷积核大小为5，则实际上卷积核大小为32*5。 一维池化的池化核是一维的，二维池化的池化核是二
【深度学习】卷积概念以及卷积核层数
小昊同学
08-03 3556
对图像（不同的数据窗口数据）和滤波矩阵（一组固定的权重：因为每个神经元的多个权重固定，所以又可以看做一个恒定的滤波器filter）做内积（逐个元素相乘再求和）的操作就是所谓的『卷积』操作，也是卷积神经网络的名字来源。 中间的过程部分可以理解为一个滤波器，即带着一组固定权重的神经元，多个滤波器的叠加便成了卷积层。 一般而言，深度卷积网络是一层又一层的。 层的本质是特征图, 存贮输入数据或其中间...
[tensorflow] 对一维卷积池化和二维卷积池化的新感悟
currycode
04-21 5378
首先上观点： 一维卷积的卷积核是二维的，二维卷积的卷积核是三维的 一维池化的池化核是一维的，二维池化的池化核是二维的 为什么卷积的时候卷积核维度多了一维呢？因为有通道（channel）的存在。比如对于语音处理中常用的特征MFCC，一般来说网络的输入是[timestep, num_mfcc],对其使用一维卷积，则有： import numpy as np import tensorflow ...
CNN0926_一维卷积_matlab1D-CNN
09-11
在本文中，我们将深入探讨一维卷积神经网络（1D Convolutional Neural Networks, 或 1D CNN）以及如何使用MATLAB实现1D-CNN的基本网络结构。1D CNN是一种深度学习模型，专用于处理一维数据，如时间序列、音频信号或...
一维CNN中的卷积层与池化层详解
在这一章节中，我们将介绍一维CNN中的卷积层与池化层的原理与作用。首先，我们会探讨研究主题背景，然后简要介绍一维卷积神经网络（CNN），最后给出本文的目录概述。让我们一起深入了解一维CNN中卷积层与池化层的...
CNN中卷积层和池化的作用和理解
AnneQiQi的博客
12-17 1万+
承接上文对CNN的介绍[学习笔记P20-CNN]，下面来看看一些细节梳理： CNN框架： 池化层（pooling layer)也叫做子采样层（subsampling layer），其作用是进行特征选择，降低特征数量，并从而减少参数数量。 为什么conv-layer之后需要加pooling_layer? 卷积层【局部连接和权重共享】虽然可以显著减少网络中连接的数量，但特征映射组中的神...
1DCNN_Classifier-master.zip_1D classifier_1DCNN_一维卷积_一维数据卷积_卷积神经
07-15
与二维卷积相比，一维卷积减少了计算量，更适合处理线性序列。 在TensorFlow中，构建1D CNN通常涉及以下步骤： 1. **数据预处理**：首先，对一维数据进行适当的预处理，如归一化、标准化，确保数据具有合适的分布...
神经网络：CNN中的filter，kernel_size，strides，padding对输出形状的影响
weixin_44116706的博客
06-09 3568
输入数据在经过卷积层后，形状一般会发生改变，而形状的变化往往与以下三个超参数有关。
图解一维卷积层（PyTorch）
wzy628810的博客
12-08 5134
图解一维卷积层（PyTorch） 在NLP中，我们需要对文本做embedding表示，那么embedding之后的文本做一维卷积运算的过程到底是什么样子的呢？我们给出下图加以说明
NLP神经网络之一维卷积的处理【Conv1D】和GLU层
子燕若水的博客
11-27 1614
接下来，这个卷积层连接到最大池化层。这基本上是为了减少数据的维数，这样训练过程可能需要更短的时间。事实上，并不总是需要在卷积之后立即使用这一层，但我还是决定使用它。下面是另一张图，显示了一维卷积层的过滤器（以蓝色突出显示）如何跨步。此外，我将针对这种情况使用 32 种不同的过滤器（尽管这可能有点矫枉过正）。层，以防止模型过快过拟合。层，由一个具有 sigmoid 激活函数的神经元组成。事实上，该层的主要思想与我们在图像分类任务中常用的。之后，我们将这个embedding层连接到一个。Conv2D完全相同。
一维卷积层_使用一维卷积层的创新Chatbot
weixin_26752075的博客
09-09 1304
一维卷积层 虚拟助手项目 (Virtual Assistant Project) The popularity of chatbots has been on the rise since the past decade. Chatbots are usually used for quick responses to most commonly asked questions on a part...
19.一维卷积
Thames_h的博客
12-08 1828
一维卷积 对于某些序列处理问题，这种一维卷积神经网络的效果可以媲美RNN，而且计算代价通常要小很多。 一维卷积神经网络在音频生成和机器翻译领域取得了巨大成功。对于文本分类和时间序列预测等简单任务，小型的一维卷积神经网络可以替代RNN，而且速度更快。 那么如何理解一维卷积？ 这种一维卷积层可以识别序列中的局部模式，因为对每个序列段执行相同输入变换，所以在句子中某个位置学到的模式稍后可以在其他位置被识别，这使得一维卷积神经网络具有平移不变性。（即在前面的位置判断到一些例如词汇是不好的，在后面遇到同样的不好的词汇
卷积神经网络（CNN）之一维卷积、二维卷积、三维卷积详解
热门推荐
小猪打呼噜
04-24 3万+
转载自https://www.cnblogs.com/szxspark/p/8445406.html 1. 二维卷积 图中的输入的数据维度为14×1414×14，过滤器大小为5×55×5，二者做卷积，输出的数据维度为10×1010×10（14−5+1=1014−5+1=10）。如果你对卷积维度的计算不清楚，可以参考我之前的博客吴恩达深度学习笔记（deeplearning.ai）之...
Conv1d 一维卷积图解
新缸中之脑
07-23 2886
在深度学习中，卷积层是许多深度神经网络的主要构建块。该设计的灵感来自视觉皮层，其中单个神经元对视野的受限区域（称为感受野）做出反应。这些区域的集合重叠以覆盖整个可见区域。虽然卷积层最初应用于计算机视觉，但其平移不变特性使卷积层可以应用于自然语言处理、时间序列、推荐系统和信号处理。理解卷积的最简单方法是将其视为应用于矩阵的滑动窗口函数。本文将了解一维卷积的工作原理并探讨每个参数的影响。
一维CNN+MLP
Daistory的博客
08-09 5110
利用Sequential模型构造一个二层CNN+MLP的多分类任务。任务描述，有一个有向网络，现在需要对网络中的节点进行分类。这里节点的类别就是节点本身，对同一个节点进行多次随机游走得到不同的随机游走序列表示。通过构造的深度学习模型能正确分辨出属于同一节点的不同游走序列。 1.数据加载+构建网络 网络构建，读取一个邻接表文件构建有向图。 class DiGraphs(object): ...
一维卷积神经网络卷积层输出参数数量计算公式
最新发布
09-30
一维卷积神经网络（1D Convolutional Neural Network，简称1DCNN）的卷积层输出参数的数量取决于几个因素： 1. 输入特征图的数量（Input Channels）：假设输入有`C_in`个通道。 2. 卷积核的数量（Number of Filters...
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