深度学习-卷积神经网络-AlexNET

已于 2023-10-06 14:11:30 修改
阅读量859 收藏
点赞数
分类专栏： AI 文章标签： 深度学习 cnn 人工智能
于 2023-10-06 00:43:13 首次发布
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_43360707/article/details/133591920
版权

文章目录

前言

本章内容来自B站：
AlexNet深度学习图像分类算法

1.不同卷积神经网络模型的精度

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

2.不同神经网络概述

在这里插入图片描述

3.卷积神经网络-单通道

在这里插入图片描述

4.卷积神经网络-多通道

在这里插入图片描述

5.池化层

在这里插入图片描述

6.全连接层

在这里插入图片描述

7.网络架构

在这里插入图片描述
在这里插入图片描述

8.Relu激活函数

sigmoid和tanh会产生梯度消失或者爆炸的问题
在这里插入图片描述
在这里插入图片描述

1.LeNet-5

手写数字识别
在这里插入图片描述
在这里插入图片描述

2.AlexNet

1.架构

双GPU上
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

2.局部响应归一化（VGG中取消了）

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

3.重叠/不重叠池化

在这里插入图片描述

4.过拟合-数据增强

在这里插入图片描述
在这里插入图片描述

5.过拟合-dropout

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

6.性能

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

5.详细介绍-论文

1.三位大师

在这里插入图片描述

2.论文详细内容

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
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
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

泰勒朗斯
关注
专栏目录
深度学习-卷积神经网络（CNN）
love1005lin的博客
11-19 8435
CNN基本原理 经典CNN 卷积神经网络基本原理 卷积神经网络的基本结构大致包括：卷积层、激活函数、池化层、全连接层、输出层等。 卷积层 二维卷积运算：给定二维的图像I作为输入，二维卷积核K，卷积运算可表示为 S(i,j)=(I∗K)(i,j)=∑m∑nI(i−m,j−n)K(m,n)S(i, j)=(I * K)(i, j)=\sum_{m} \sum_{n} I(i-m, j-n) K(m, n)S(i,j)=(I∗K)(i,j)=∑m​∑n​I(i−m,j−n)K(m,n)，卷积核需要进行上下翻转.
TASK05-卷积神经网络基础-AlexNet-Lexnet
01-06
卷积神经网络基础-主要是一些概念性的内容，一做题目，几乎全部错误了，悲剧呀。 把题目和解析放下面。 1. 假如你用全连接层处理一张256×256256 \times 256256×256的彩色（RGB）图像，输出包含1000个神经元，在...
深度学习03-卷积神经网络(CNN)
热门推荐
liaomin416100569的专栏
05-12 3万+
CNN，即卷积神经网络（Convolutional Neural Network），是一种常用于图像和视频处理的深度学习模型。与传统神经网络相比，CNN 有着更好的处理图像和序列数据的能力，因为它能够自动学习图像中的特征，并提取出最有用的信息。CNN 的一个核心特点是卷积操作，它可以在图像上进行滑动窗口的计算，通过滤波器（又称卷积核）和池化层（Max Pooling）来提取出图像的特征。卷积操作可以有效地减少权重数量，降低计算量，同时也能够保留图像的空间结构信息。
深度学习原理-----卷积神经网络
didiaopao的博客
09-01 1万+
利用大量的图片来讲解卷积神经网络的原理
深度学习-torch-卷积神经网络
weixin_43049614的博客
10-17 4612
一、基本概念 全连接神经网络：每相邻两个线性层之间的神经元都是全连接的神经网络。 卷积神经网络：保留数据原有特征情况下，对数据进行降维处理的网络模型。 经典的卷积神经网络有 1.LeNet LeNet-5网络结构示意图 2.AlexNet AlexNet网络结构示意图 3.VGG Net 4.GoogleNet 5.ResNet 6.MobileNet 二、卷积神经网络的基本原理 1.CNN的基本组成部分 卷积层：用于特征提取 池化层：降维、防止过拟合 全连接层：输出结果 2.卷积层介绍 Output矩阵
深度学习模型---卷积神经网络
sfakh的博客
09-22 2002
卷积神经网络CNN的组成卷积层池化层zero padding全连接层LENET神经网络ALEXNET神经网络较流行的神经网络注意 卷积神经网络(Convolutional Neural Network)是一种前馈神经网络。常用于图像领域。 CNN的组成 CNN由卷积层、池化层、全连接层组成。 卷积层 卷积层的作用是进行特征提取。通过卷积核在输入数据上进行卷积计算(即卷积核对应输入数据的矩阵和卷积核矩阵的内积运算，对应位置的数字相乘再相加求和)，从而减少数据的维度，达到特征提取和降低维度的作用。如下： 对
深度学习-卷积神经网络的结构&经典网络介绍
weixin_42189597的博客
09-05 1951
卷积神经网络的结构 总体结构 通产情况下，卷积神经网络由若干个卷积层、激活层、池化层、以及全连接层构成。 卷积层 卷积层是 卷积神经网络的核心所在，通过卷积运算可以达到提取特征和降维处理两个重要的目的。 激活层 作用是将前一层的线性输出，通过非线性的激活函数进行处理，这样用于模拟任意函数，从而增强网络的表表征能力。在深度学习领域，ReLU（修正线性单元）是目前使用较多的激活函数，主要原因是它收敛更快，同时它还解决了梯度消失的为问题。 池化层 池化层也称为子采样或者下采样，目的是缩小高、长方向上的空间的运
深度学习-卷积神经网络发展
Susan Wong
03-17 3543
文章目录1. LeNet（1998）2. AlexNet（2012）3. VGG（2014）3.1 网络结构3.2 其他细节4. Inception Net（2014）4.1 Inception V1（GoogLeNet）4.2 Inception V2（2015）4.3 Inception V3（2015）4.3.1 关于四条设计神经网络的原则4.3.2 关于如何分解大卷积核的卷积层4.3.3 ...
深度学习-卷积神经网络常见网络整理
weixin_44037500的博客
02-16 161
这篇笔记介绍了一下常见的卷积神经网络，在之后会针对性的对每个网络进行详细介绍。
深度学习-全卷积神经网络（FCN）
weixin_40826634的博客
12-06 2219
深度学习-全卷积神经网络
MATLAB工具箱-深度学习(卷积神经网络)函数工具箱3.0.rar
08-21
本篇文章将详细讲解"MATLAB工具箱-深度学习(卷积神经网络)函数工具箱3.0"的核心知识点，帮助您更好地理解和运用这个工具箱。 卷积神经网络（Convolutional Neural Networks，简称CNN）是一种专门处理具有网格状结构...
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...
【深度学习】（3）--损失函数
m0_74896766的博客
09-18 2330
本篇介绍了部分损失函数： 1. L1Loss损失函数：通常用于回归任务中。 2. NLLLoss损失函数：在多分类问题中广泛应用。 3. MSELoss损失函数：在多种回归任务中表现出色。 4. BCELoss损失函数：广泛应用于各类二分类任务中。 5. CrossEntropyLoss交叉熵损失函数：广泛应用于多分类问题中。
对比学习训练是如何进行的
qq_45809323的博客
09-25 321
对比学习（Contrastive Learning）是一种自监督学习的方法，旨在通过拉近相似样本的表示、拉远不相似样本的表示来学习特征表示。在训练过程中，模型并不依赖标签，而是通过样本之间的相似性进行学习。
用于MRI重建的具有全局感受野的傅里叶卷积块|文献速递--基于多模态-半监督深度学习的病理学诊断与病灶分割
最新发布
weixin_38594676的博客
09-26 630
在本研究中，我们提出了一种新颖的全局傅里叶卷积块（FCB），具有整个图像的感受野和较低的计算复杂度，通过将常规的空间域卷积转化为频率域实现。在本研究中，我们提出了一种新颖的全局傅里叶卷积块（FCB），具有整个图像的感受野和较低的计算复杂度，通过将常规的空间域卷积转化为频率域实现。这意味着，虽然傅里叶域中的卷积核 W 大小与输入相同，但它的空间对应物可以是一个大小为 K × K 的零填充卷积核，大小范围从 1 × 1 到输入大小 N × N 不等。顶部显示了8×加速的结果，底部显示了12×加速的结果。
AI学习指南深度学习篇-Adadelta算法流程
俞兆鹏的博客
09-23 657
在深度学习领域，优化算法一直是一个重要的研究方向。在训练深度神经网络时，选择合适的优化算法可以大大提高训练速度和模型性能。Adadelta算法是一种自适应学习率的优化算法，它不需要手动设置学习率，能够在训练过程中自动调整学习率，适应不同参数的变化。
【深度学习】03-神经网络2-1损失函数
weixin_41645791的博客
09-23 747
L2 的特点是，当初始值的给的不好，导致预测值和目标值差异大的时候，会产生梯度爆炸，所以我们也不用这个损失函数，而是做正则化来缓解过拟合。热编码是，默认会找你的最大值去，确定有多少个0，因为0也算一个位置，所以如果最大值为5，那么就一共有6位（0，1，2，3，4，5。L1 这个损失函数最大的特点是： 零点不平滑，导致不可导，跳过极小值，所以不会用来做损失函数，而是做正则化用来缓解过拟合。这里的是API 的注意⚠️，但是在真实的公式中，目标值一定是热编码之后的，但是在API中可以是热编码之前的。
深度学习与应用：行人跟踪
qz1992的专栏
09-22 726
4. 已安装软件：python版本：python 3.9，显卡驱动，cuda版本：cuda11.3 cudnn 版本：8.4.1,torch==1.12.1+cu113,torchvision= 0.13.1+cu113。- 准备多目标跟踪数据集MOT17 ，下载地址位于（Https://motchallenge.net），放置于工程路径为：（examples/val_utils/data/MOT17）3. MOT17数据集存储位置：examples/val_utils/data/MOT17。
深度学习：LeNet-5与AlexNet卷积神经网络模型解析
这两个模型在深度学习和卷积神经网络的发展历程中扮演了重要角色。LeNet-5展示了卷积神经网络在图像识别上的潜力，而AlexNet则进一步证明了深度结构的有效性，为后续如VGG、GoogLeNet、ResNet等更复杂、更强大的模型...
评论 1
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