卷积神经网络CNN

最新推荐文章于 2024-07-22 13:42:36 发布
最新推荐文章于 2024-07-22 13:42:36 发布
阅读量974 收藏 6
点赞数 2
分类专栏： 深度学习
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_41792162/article/details/118635685
版权
本文详细介绍了卷积神经网络（CNN）的组成，包括数据输入层、卷积层、激励层、池化层和全连接层。CNN因其在图像处理中的优势而变得重要，通过参数共享和局部感知等特性减少了参数数量。文中还讨论了VGG、NIN和GoogLeNet三种常见CNN模型的特点和差异。
摘要由CSDN通过智能技术生成

系列文章目录

上一篇文章简单的介绍了卷积神经网络及一些基础知识，比如说步长，填充，互相关运算等，这篇文章讲介绍卷积神经网络的组成及常见的几种神经网络。

 CNN简单介绍及基础知识

文章目录

前言

卷积神经网络是全感知器模型的一种，其在处理声音，图像方面有着得天独厚的优势。常见的卷积神经网络模型有三种，即VGG，NIN，GoogLenet

一、卷积神经网络

卷积神经网络是很吸引人的。在短时间内，它们变成了一种颠覆性的技术，打破了从文本、视频到语音等多个领域所有最先进的算法，远远超出了其最初在图像处理的应用范围。

1，为什么要使用卷积神经网络？

      传统算法处理图像的时候具有一定的局限性，通常的做法是，首先将图片按照像素逐行展开，然后输入到全连接层中去处理。这样做可以处理图片，但是随之而来的问题是会丢失图片的空间信息，而且，数据量过大，参数过多，效率低下。

     比如说，一张图片由像素点组成，30*30的矩阵，如果将其转换成一列数组，即30*30=900，这一列向量和隐含层的10个神经元连接，就有900*10=9000个权重w，隐含层和最后的输出层的10个神经元连接，就有9000*10=90000个权重w，再加上隐含层的偏置项10个和输出层的偏置项10个，就是：90020个参数了.

 

         过多的参数和计算机技术的落后，限制了卷积神经网络的发展,直到CNN的出现，对于图像的处理才得到进一步的提升。cnn尝试去解决这个问题，一方面，卷积层保留输入形状，使得图像的像素在高和宽两个相关性上被有效识别，另一方面，卷积层通过滑动窗口将同一卷积核与不同位置的输入重复计算，从而避免参数尺寸过大。

2，CNN的组成

        卷积神经网络是一种深度学习模型，类似于人工神经网络的多层感知器，常用来分析视觉图像。  CNN主要由数据输入层，卷积层，激励层，池化层，和全连接层，将这些层连接起来，形成了卷积神经网络。

 

卷积神经网络的层级结构：

  • 数据输入层
  • 卷积层
  • 激励层
  • 池化层
  • 全连接层

如下图，当我们对于小轿车识别时，有卷积层，激励层，池化层和全连接层，识别的结果最后一行中展示。

  

  2.1 数据输入层

  CNN中输入 RGB图片，使用RGB图片的原因在于RGB三通道图片，输入图片有三通道，R通道，G通道，B通

最低0.47元/天 解锁文章
Python大视觉
关注
专栏目录
详解卷积神经网络(CNN)
qq_25762497的博客
04-04 25万+
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。
一文让你彻底了解卷积神经网络
热门推荐
比比的博客
08-03 20万+
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。 它包括卷积层(convolutional layer)和池化层(pooling layer)。 对比：卷积神经网络、全连接神经网络 左图：全连接神经网络（平面），组成：输入层、激活函数、全连接层 右图：卷积神经...
卷积神经网络（CNN）
最新发布
Gaga246的博客
07-22 1128
卷积神经网络是一种多层神经网络，擅长处理图像特别是大图像的相关机器学习问题。 最典型的卷积网络，由卷积层、池化层、全连接层组成。其中卷积层与池化层配合，组成多个卷积组，逐层提取特征，最终通过若干个全连接层完成分类。 卷积层完成的操作，可以认为是受局部感受野概念的启发，而池化层，主要是为了降低数据维度。 综合起来说，CNN通过卷积来模拟特征区分，并且通过卷积的权值共享及池化，来降低网络参数的数量级，最后通过传统神经网络完成分类等任务。
卷积神经网络(CNN)
Lan的博客
04-06 5189
学习目标 1、什么是卷积神经网络(CNN)？ 2、卷积神经网络与普通网络有何区别？ 3、卷积的工作原理？ 4、卷积神经网络的神经元结构是怎么样的？ 5、卷积神经网络的网络一共包含几层？ 6、样本数据是以怎么样的方式喂入卷积神经网络的？ 一、概览 卷积神经网络（Convolutional Neural Network, CNN）是一种前馈的神经网络，通过卷积操作，它的人工神经元可以响应一部分覆盖范围内的周围单元。在实际使用中，特征有多种多样、成百上千，卷积神经网络中的卷积核参数不能通过手动赋值，需要通过不断训
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
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...
卷积神经网络 CNN (Convolutional Neural Network)
梦码城博客中心
04-30 407
卷积神经网络 CNN (Convolutional Neural Network) 卷积神经网络是近些年逐步兴起的一种人工神经网络结构, 因为利用卷积神经网络在图像和语音识别方面能够给出更优预测结果, 这一种技术也被广泛的传播可应用. 卷积神经网络最常被应用的方面是计算机的图像识别, 不过因为不断地创新, 它也被应用在视频分析, 自然语言处理, 药物发现, 等等. 近期最火的 Alpha Go, 让计算机看懂围棋, 同样也是有运用到这门技术. 卷积 和 神经网络 我们来具体说说卷积神经网络是如何运作的吧,
大话卷积神经网络（CNN）
雪饼的博客
02-23 1万+
这几年深度学习快速发展，在图像识别、语音识别、物体识别等各种场景上取得了巨大的成功，例如AlphaGo击败世界围棋冠军，iPhone X内置了人脸识别解锁功能等等，很多AI产品在世界上引起了很大的轰动。在这场深度学习革命中，卷积神经网络（Convolutional Neural Networks，简称CNN）是推动这一切爆发的主力，在目前人工智能的发展中有着非常重要的地位。 【问...
卷积神经网络（convolutional neural network, CNN）
qq_41536160的博客
05-28 6万+
基本定义 卷积神经网络(convolutional neural network, CNN)，是一类包含卷积计算且具有深度结构的前馈神经网络。卷积神经网络是受生物学上感受野（Receptive Field）的机制而提出的。卷积神经网络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）。 1.卷积层（convolutional layer） 作用：特征提取 卷积层内部包含多个卷积核，组成卷积核的每个元素都
机器学习——卷积神经网络（CNN）
beiye_的博客
03-12 9075
机器学习——卷积神经网络（CNN）
CNN卷积神经网络
TGYAO的博客
06-08 4847
CNN，全称为卷积神经网络（Convolutional Neural Network），是一种用于处理具有网格结构数据（如图像、视频和音频）的前馈神经网络。它是深度学习领域中最常用的模型之一，尤其适用于计算机视觉任务。
卷积神经网络CNN详解：从基础知识到LeNet
"该资源是一份关于卷积神经网络（CNN）的快速入门笔记，涵盖了CNN的基本概念，包括LeNet模型的介绍，卷积、非线性处理、池化和全连接层等核心组件的详细解释。" 卷积神经网络（CNN）是一种专门用于处理具有网格结构...
评论 5
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