机器学习——卷积神经网

最新推荐文章于 2024-01-01 20:48:18 发布
最新推荐文章于 2024-01-01 20:48:18 发布
阅读量134 收藏
点赞数
分类专栏： 机器学习
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/weixin_41572488/article/details/99733814
版权

在这里插入图片描述
在这里插入图片描述

我们把这两个场景抽象出来：

我们把对象的轮廓提取出来，与我们脑子里的“人脸数据库”进行对比

如果有相似概率比较高的，我们就进行下一步处理；如果没有，这个人我们大概率就不去看了

抽取对象的局部特征，与我们脑子里某个人的局部特征进行对比

得出结论：
（1）如果相似度接近100%，那我们断定，就是这个人
（2）如果相似度较高，根据新的特征，那我们推测，这哥们可能是被揍了，或者化妆了
（3）如果相似度一般，那我们说，这人和“某某某”长得真像啊
（4）如果相似度不高，那这人我们就没见过

在这里插入图片描述
在这里插入图片描述

在这里插入图片描述

在这里插入图片描述
在这里插入图片描述

RGB 分离代码

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

计算机处理图像识别的思路

  1. 轮廓特征和局部特征的抽取：

（1）通过对每个像素块RGB数据的抽取，得出每个像素块的值
（2）在某个范围内（眼睛，鼻子，嘴），抽取所有，或者一部分的像素块，得到某个范
围内的图像

2.轮廓特征和局部特征的对比

通过和样本库进行对比，确定局部是不是类似的

  1. 把所有局部的对比结果综合，得出最后结论

    “啊！ 这是小王，我需要跟他打个招呼！”

在这里插入图片描述
在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

卷积运算的缺点

每次做卷积的时候，图像都会缩小
角落的像素点只会被使用一次，而中间的像素点会用到很多次，这意味着你丢掉了很多图像边缘的信息

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述
在这里插入图片描述

在这里插入图片描述

在这里插入图片描述
在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

池化层

池化层是用来缩减模型，提高计算速度，同时提高所取得特征的鲁棒性

池化层是用来降采样subsample, shrink, 减少计算负荷，内存使用，参数数量（防止过拟合）

正如卷积神经网络一样，在池化层中的每个神经元被连接到上面一层输出的神经元，只对应一小块感受野的区域。 我们必须定义大小，步长，padding类型

池化层没有权重值，他只是聚合输入根据取最大值或者求均值

池化层的例子： 2x2的池化核，步长为2，没有填充，只有最大值往下传，其他输入被丢弃掉了； 直观的理解说就是，因为取最大值，所以较小值就会被忽略，也就是不重要的特征会被忽略

在这里插入图片描述

在这里插入图片描述

池化层参数的总结

超参数：

f: 过滤器大小

s：步长

最大池化或者平均池化

没有padding！所以池化层公式就变为： ((n – f )/ s + 1) x ((n – f )/ s + 1) x nc

最大池化层是一个静态属性

在这里插入图片描述

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

幸郝吖
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
深度学习——卷积神经网络
01-20
卷积神经网络（CNN）是深度学习领域的重要组成部分，尤其在图像识别和处理任务中表现卓越。CNN的主要特点是利用卷积层和池化层来提取和学习图像特征，同时通过多层非线性变换实现复杂模式的识别。 1. **卷积神经...
机器学习——卷积基础
最新发布
weixin_39753819的博客
04-01 758
本文介绍了卷积的基本概念、组成部分和方法，并通过Python示例代码演示了简单的卷积操作。卷积在机器学习中有着广泛的应用，特别是在图像处理和深度学习领域，对理解卷积的原理和应用场景有助于更深入地理解机器学习算法。
机器学习笔记——卷积
weixin_48138859的博客
07-27 88
下图以向量为例，卷积核像一个滑动窗口向右移动，设输入大小为k,卷积核大小为m，则输出大小为k+m-1。卷积在信号处理中，用于计算信号和延迟累积。卷积类型可按输出长度的不同分成三类。
机器学习之卷积操作
计算机科学与技术专业学生的成长之路
02-01 717
很多好主意一旦踏上语义鸿沟，就再也听不到。卷积，在图像、视觉领域乃老生常谈的内容，但是对于具体工作细节仍然值得我去学习。
【机器学习】卷积神经网络（三）
cxyhjl的博客
01-01 694
四、理论分析4.1 反卷积运算我们可以将过滤器转换为Toeplitz matrix，将图像转换为向量，然后仅通过一个矩阵乘法进行卷积，而不是使用for-loops对图像（或任何其他 2D 矩阵）执行 2D 卷积。（当然还要对乘法结果进行一些后处理以获得最终结果）。有许多高效的矩阵乘法算法，因此使用它们我们可以有效地实现卷积运算这个过程的数学和算法解释：以下给出这个算法的简单 Python...
机器学习——卷积神经网络（CNN）
beiye_的博客
03-12 8893
机器学习——卷积神经网络（CNN）
计算机视觉——卷积神经网络（CNN）简介.pdf
04-21
计算机视觉——卷积神经网络（CNN）简介 计算机视觉是人工智能领域中的一个重要分支，它主要研究如何使机器能够像人类一样看懂图像。卷积神经网络（CNN）是计算机视觉领域中的一种深度学习算法，它能够对图像进行...
深度学习（五）————卷积神经网络基础、leNet、卷积神经网络进阶
01-07
卷积神经网络基础 二维互相关运算 填充 步幅 多输入通道和多输出通道¶ 卷积层与全连接层的对比 池化 LeNet 模型 深度卷积神经网络（AlexNet） AlexNet 使用重复元素的网络（VGG）¶ ⽹络中的⽹络（NiN） GoogLeNet ...
【深度学习】卷积神经网络原理 深度学习原理.pdf
04-13
深度学习中的卷积神经网络（Convolutional Neural Network，CNN）是一种前馈神经网络，它的神经元可以响应一部分覆盖范围内的周围单元，长期制霸计算机视觉领域。其核心主要是“卷积与池化”。 卷积神经网络包含了...
pytorch实现task5——卷积神经网络基础；leNet；卷积神经网络进阶
01-07
卷积神经网络基础 卷积神经网络包括卷积层和池化层。 二维卷积层 最常见的是二维卷积层，常用于处理图像数据。 二维互相关运算 二维互相关（cross-correlation）运算的输入是一个二维输入数组和一个二维核（kernel）...
机器学习（16）——卷积神经网络（一）
weixin_53598445的博客
04-26 5557
文章目录1 简介2 卷积层2.1 权值共享2.2 卷积操作2.3 单通道输入和单卷积核2.4 多通道输入和单卷积核2.5 多通道输入和多卷积核 1 简介   卷积网络（convolutional network）(LeCun, 1989)，也叫做 卷积神经网络（convolutional neural network, CNN），是一种专门用来处理具有类似网格结构的数据的神经网络。例如时间序列数据（可以认为是在时间轴上有规律地采样形成的一维网格）和图像数据（可以看作是二维的像素网格）。卷积网络在诸多应用领域
机器学习-卷积
weixin_38498942的博客
07-23 1817
卷积是一种数学运算，对两个函数（信号）的乘积进行积分，其中一个信号翻转。 例如，下面我们对2个信号f（t）和g（t）进行卷积。 因此，首先要做的是将信号g水平翻转（180度），然后将翻转的g滑到f上，相乘并累加所有值。 卷积信号的顺序与最终结果无关紧要，因此conv（a，b）== conv（b，a） 在这种情况下，请考虑蓝色信号f(T)是我们的输入信号和g(t)内核，当你使用卷积来过滤信号时，会使用术语内核。 输出信号尺寸1D，对于一维卷积，输出大小的计算如下： OutPutSize = (InputSi
机器学习&深度学习系统实战！
06-07
数学原理推导与案例实战紧密结合，由机器学习经典算法过度到深度学习的世界，结合深度学习两大主流框架Caffe与Tensorflow，选择经典项目实战人脸检测与验证码识别。原理推导，形象解读，案例实战缺一不可！具体课程内容涉及回归算法原理推导、决策树与随机森林、实战样本不均衡数据解决方案、支持向量机、Xgboost集成算法、神经网络基础、神经网络整体架构、卷积神经网络、深度学习框架--Tensorflow实战、案例实战--验证码识别、案例实战--人脸检测。专属会员卡优惠链接：http://edu.csdn.net/lecturer/1079
机器学习知识经验分享之二：4种经典卷积神经网络介绍
m0_70388905的博客
11-25 753
机器学习知识经验分享之二：4种经典卷积神经网络介绍，不定期持续更新。
机器学习算法之——卷积神经网络(CNN)原理讲解
热门推荐
Rick_rui的博客
06-02 2万+
我们知道神经网络的结构是这样的：那卷积神经网络跟它是什么关系呢？其实卷积神经网络依旧是层级网络，只是层的功能和形式做了变化，可以说是传统神经网络的一个改进。比如下图中就多了许多传统神经网络没有的层次。简而言之，卷积神经网络（Convolutional Neural Networks）是一种深度学习模型或类似于人工神经网络的多层感知器，常用来分析视觉图像。卷积神经网络的创始人是着名的计算机科学家Yann LeCun，目前在Facebook工作，他是第一个通过卷积神经网络在MNIST数据集上解决手写数字问题的人
机器学习入门：第十四章 卷积神经网络
haleycat的博客
04-16 929
前言 用输入层，隐藏层，输出层组成了神经网络，把数据放入输入层，通过隐藏层，再到输出层，把训练的数据跟输出进行对比得出误差，把误差传回到隐藏层中训练各个层的参数。 这是典型的神经网络的结果图： 典型的神经网络用在了很多的场合中，比如分类上，也达到了很好的效果。 但是如果输入层的参数太多，会出现怎样的一种情况？如下是用神经网络来识别手写数字： 这是一个神经网络中常见的一个应用，如何用神经网络进行数字的识别？ 最简单的一种想法就是，把图片的每个像素作为一个输入点，如果一张手写数字为32x32像素，输入节点为
python（七）：机器学习（卷积神经网络）
m0_64596200的博客
09-21 2954
卷积神经网络的学习，以及使用
卷积神经网络介绍
weixin_30952103的博客
03-23 364
本文是对网络上几篇文章的总结，主要是方便自己后期翻看不至于太过混乱，如有侵权，请留言~ 参考文章为： 1） https://zhuanlan.zhihu.com/c_141391545 2）https://zhuanlan.zhihu.com/p/34355703 3）https://zhuanlan.zhihu.com/p/34222451 4）https://www.cnblo...
机器学习： 深度学习中的卷积和反卷积
Matrix-11
03-03 1595
卷积神经网络（CNN）几乎成了目前 CV 领域的主流模型，从最初的常规的 2D 卷积形式发展到现在，研究人员已经提出了各种各样的卷积形式，比如 3D 卷积，depth-wise 卷积， point-wise 卷积，扩张（Atrous）卷积，deconvolution 等等，这些卷积在 CNN 模型中，发挥着不同的作用。 今天，我们将介绍 CNN 中，各种不同的卷积形式。 ...
卷积神经网络研究综述_周飞燕1
08-03
卷积神经网络（CNN）是深度学习领域的一个重要研究方向，近年来受到了越来越多研究者的关注。CNN在特征提取和建模上相较于浅层模型有着明显的优势，善于从原始输入数据中挖掘出越来越抽象的特征表示。本文作者周飞燕...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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