卷积神经网络CNN

最新推荐文章于 2022-10-16 22:11:00 发布
最新推荐文章于 2022-10-16 22:11:00 发布
阅读量576 收藏 2
点赞数
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_40642306/article/details/88766285
版权
本文介绍了卷积神经网络（CNN）的基本组成，包括卷积层、权值共享、池化层及其反向传播过程。重点讲解了卷积计算流程、stride和pad参数，以及两种经典CNN网络——AlexNet和VGGNet的特点。
摘要由CSDN通过智能技术生成

卷积神经网络

回顾神经网络

该部分主要理解神经网络BP传播过程。对于数据是一batch一batch训练的，如果使用全部的 速度太慢，如果使用一个 不就是随机梯度下降了吗？这样需要训练的次数比较多，而且不能保证每一次都是走的最优的方向。一次使用batch的数据，然后求平均，对两种方法进行了综合。next：前向传播，传播到最后与Y比较获得loss 。NEXT：反向传播，计算梯度，更新W。
在这里插入图片描述

神经网络的组成

在这里插入图片描述

认识卷积层

对于卷积层 就是利用filter 对输入的数据一小块一小块的提取特征，利用filter对所有的数据都提取一遍后，构成一张特征图。这里需要注意fillter的深度和输入的深度读需要一样才可以。
在这里插入图片描述
当然我们不会只使用一个filter，而是使用多个filter，使用filter的个数决定了特征提取后，特征图的厚度。如下图所示：

最低0.47元/天 解锁文章
沧海磐石
关注
卷积神经网络~设置padding和stride
fatfairyyy的博客
05-22 2843
更多边缘检测内容 下图所示的是垂直边缘检测的例子： 如果，这张图片被翻转了，即，使暗面在左，亮面在右，这对输出会造成什么影响？ 运算结果发生了变化，过滤器得到的计算值变成了-30。输出的结果表明，-30 --> 0 是由暗到亮的过渡而非由亮到暗的过度。如果实验的结果不在乎二者的区别，那么可以直接对输出的卷积矩阵中的值取绝对值。但这种过滤器确实可以区别两种明暗的变化。 水平垂直检测 注：对于垂直边缘检测，矩阵的第一列为1，而最后一列为-1，因此它进行卷积计算的结果会使左边较亮而右边相对较暗。 相
深度学习中的一些参数作用
m0_37659647的博客
06-04 3445
batch与subdivisions batch=64 ：一批训练样本的样本数量(64)，每batch个样本(64)更新一次参数. subdivisions=16 ：batch/subdivisions作为一次性送入训练器的样本数量(4).        两个参数如果电脑内存小，则把batch改小一点，batch越大，训练效果越好，subdivisions越大，可以减轻显卡压力. ...
详解CNN中的stride 和 padding 到底是怎么计算的
tiandd12的博客
05-10 2万+
平时不注意的细节，别人一问的时候就会很懵逼，所以认真对待每一个参数。 先看一下 tensorflow中自带的卷积操作是什么样子的呢？ https://tensorflow.google.cn/api_docs/python/tf/nn/conv2d tf.nn.conv2d( input, filter, strides, padding, use_...
卷积参数计算
如何心安理得的在老板眼皮下摸鱼
05-30 3148
1.比如输入是一个32x32x3的图像，3表示RGB三通道，每个filter/kernel是5x5x3，一个卷积核产生一个feature map，下图中，有6个 5x5x3的卷积核，故输出6个feature map（activation map），大小即为28x28x6。下图中，第二层到第三层，其中每个卷积核大小为5x5x6，这里的6就是28x28x6中的6，两者需要相同，即每个卷积核的“层数”需要与输入的“层数”一致。有几个卷积核，就输出几个feature map，下图中，与第二层作卷积的卷积核有10..
目标检测之Faster RCNN-1
weixin_46248767的博客
11-04 363
提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档 pytorch基础学习6一、语法 x = x.view(x.size(0), -1)文档：view(*args) → Tensor 一、语法 x = x.view(x.size(0), -1) 文档：view(*args) → Tensor 返回 ...
实验六卷积神经网络CNN框架的实现与应用.pdf
09-26
实验六卷积神经网络CNN框架的实现与应用 本实验主要目的是掌握卷积神经网络（CNN）的基本原理，并利用 LeNet-5 CNN 框架实现手写数字识别。实验中，我们使用了 MNIST 数据集，初始图像大小为 28*28，并采用了多个卷...
【项目实战】Python基于卷积神经网络CNN模型和VGG16模型进行图片识别项目实战
02-14
在这个【项目实战】中，我们将深入探讨如何使用Python编程语言结合卷积神经网络（CNN）和VGG16模型进行图像识别。这是一个典型的深度学习应用，涵盖了从数据获取到模型训练和评估的完整流程。 首先，我们要理解项目...
cnn卷积神经网络cnn卷积神经网络cnn卷积神经网络cnn卷积神经网络.txt
最新发布
05-22
cnn卷积神经网络cnn卷积神经网络cnn卷积神经网络cnn卷积神经网络cnn卷积神经网络
【图像识别】基于卷积神经网络CNN实现人脸识别系统matlab代码.zip
12-20
在给定的压缩包中，"【图像识别】基于卷积神经网络CNN实现人脸识别系统matlab代码.pdf"可能是详细教程或代码示例，包含了具体实现的步骤和MATLAB代码片段。通过阅读这份文档，读者可以了解如何在实际项目中运用CNN...
CNN卷积神经网络中的stride、padding、channel以及特征图尺寸的计算
m0_54487331的博客
01-20 1万+
CNN卷积神经网络中的stride、padding、channel以及特征图尺寸的计算1. stride步幅2. padding填充3. channel通道4. 计算及例子总结： 1. stride步幅 stride：卷积时的采样间隔 设置步幅的目的是希望减小输入参数的数目，减少计算量。stride参数的值就是缩小的倍数，比如步幅为2，就对输入的特征图做2倍下采样，注意步幅并不代表输出时输入的1stride\frac{1}{stride}stride1​ 2. padding填充 padding：在输入特
卷积和转置卷积矩阵计算 convolution和deconvolution或者transposed_convolution
邹九的个人博客
09-04 1234
总的来说卷积计算是多对一，也就是多个input，和所有kernel进行multiply+add，通道channel方向也进行add，得到一个数字。转置卷积或者说是逆卷积，是一对多的关系，是一个input和所有kernel进行multiply，通道channel方向才进行add，得到kernel_size_width*kernel_size_height个数字​ ​即滑窗运算，卷积核kernel和Input的位置multiply然后add， K1*1 + K2*2+K3*3 = out1​Stride=2
深度学习基础--Stride的理解
wydbyxr的博客
11-07 3万+
Stride的理解   stride其实是图像处理中常用的概念。 解释   一行有 11 个像素(Width = 11), 对一个 32 位(每个像素 4 字节)的图像, Stride = 11 * 4 = 44.   但还有个字节对齐的问题, 譬如:   一行有 11 个像素(Width = 11), 对一个 24 位(每个像素 3 字节)的图像, Stride = 11 * 3 + 3 = 3...
图像处理中Stride方法理解
极客神殿
07-28 1万+
一行有 11 个像素(Width = 11), 对一个 32 位(每个像素 4 字节)的图像, Stride = 11 * 4 = 44. 但还有个字节对齐的问题, 譬如: 一行有 11 个像素(Width = 11), 对一个 24 位(每个像素 3 字节)的图像, Stride = 11 * 3 + 3 = 36. 为什么不是 Stride = 33? 因为它是按 4 字节对齐的. 根据上面道...
2、卷积神经网络参数分析
weixin_43282288的博客
10-27 504
stride滑动步长是经验之谈 7x7的选择3x3的filter，当stride为2的时候输出为3x3 为了利用边缘信息，需要填充Pad如图。 计算公式(不知道怎么插入公式) 例如 输入32x32x3，用10个filter，滑动步长为1，填充pad为2 带入计算公式算的out为32x32，又有10个filter，于是输出32x32x10 权值共享 特征图由10个32x32x1的特征图组成...
深度学习笔记 7 几种典型的卷积神经网络
qq_41134483的博客
10-16 3614
经典卷积网络，LeNet-5、AlexNet、VGGNet、GoogLeNet（ Inception系列）、ResNet
卷积后尺寸计算公式
legalhighhigh的博客
08-28 4182
在计算卷积后的参数及map大小时经常要用。 1.卷积后尺寸计算 out_height=(in_height+2pad-filter_height)/strides[1]+1 out_width=(in_width+2pad-filter_width)/strides[2] +1
空洞卷积（扩张卷积，带孔卷积，atrous convolution）的一些总结与理解
lipengfei0427的博客
10-08 6256
空洞卷积（扩张卷积，带孔卷积，atrous convolution）是一种区别于普通卷积的卷积方式，从字面理解，就是卷积层中有洞。 1.一维理解 以一维为例： 图中(a)Input feature表示输入特征，Output feature表示输出特征，这是一个正常的kernel = 3; stride = 1; pad = 1的卷积操作。 图中(b)下面为Input feature，上面为Output feature，与图(a)不同的是pad = 2，同时引入了一个rate = 2，这个rate
卷积神经网络CNN（一）基本概念、卷积
热门推荐
Cufewxy的博客
05-28 3万+
卷积神经网络（Convolutional Neural Network）是一个专门针对图像识别问题设计的神经网络。它模仿人类识别图像的多层过程：瞳孔摄入像素；大脑皮层某些细胞初步处理，发现形状边缘、方向；抽象判定形状（如圆形、方形）；进一步抽象判定（如判断物体是气球）。CNN与BPNN的异同如果了解BPNN的框架，那么更容易理解CNN了。本文从CNN与BPNN的异同点出发，分析CNN的结构。首先相...
深入解析卷积神经网络CNN模型架构
资源摘要信息:"卷积神经网络（CNN）是一种深度学习模型，主要用于处理具有网格状拓扑结构的数据，如时间序列数据和图像数据。CNN通过模拟人类视觉系统的工作方式，能够自动和有效地从图像中提取特征，被广泛应用于...
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