卷积神经网络
文章平均质量分 57
介绍卷积神经网络知识及代码
AD_钙
这个作者很懒,什么都没留下…
展开
-
【深度学习理论 卷积神经网络01】超快理解kernel卷积核 及 引言
卷积神经网络本文为深度学习笔记,参考课程图文0.问题导入输入:矩阵、图片简单的解决方案:将图片像素点按照行或者列拉成一个很长的向量,但是图片很大时,实际操作做不到。图片尺寸:10001000RGB:R、G、B 3个通道输入数据大小:31000*1000 =300 0000隐藏层:1000个隐藏元连接矩阵:300 0000 * 1000 =3 * 10^9计算机存储代价过大2.传统几何方法:模糊、锐化、提取垂直边界...原创 2021-07-07 12:30:52 · 1189 阅读 · 0 评论 -
【深度学习理论 卷积神经网络02】 卷积的一般知识(根据卷积核大小和步长计算输出结果形状)
0. 卷积的一般知识ksize:卷积核大小,可以为1,2,3,4…stride:卷积核一次在原图上移动的步长,可以为1,2,3,4…padding:给原图打补丁,在原图周围填充0,调整输出大小1.根据卷积核大小和步长计算输出结果形状3 * 3矩阵作为kernel,在周围打padding,stride为2阴影部分的计算:0 * 2 + 0 * 0 + 1 * 1 + 0 * 1 + 2 * 0 + 3 * 0 +0 * 0 + 3 * 1 + 3 * 1 =7输出结果的形状计算:原图原创 2021-07-07 13:38:19 · 1637 阅读 · 0 评论 -
【深度学习理论 卷积神经网络03】快速了解卷积层(Convolution Layer)的功能和运作方式
卷积层 Convolution Layer0.背景一个卷积核 ==> 一个输出多个卷积核 ==> 多个输出一个卷积层 ==> 多个卷积核排列 ==> 多个输出1.卷积层的例子原图大小:32 * 32 * 3kernel:一个 5 * 5 * 3 的卷积核输出形状:(32-5)+1 = 28 即 28 * 28 * 1(一个卷积核)输出形状的计算公式可以看:https://blog.csdn.net/weixin_44121966/article/deta原创 2021-07-07 17:11:12 · 520 阅读 · 0 评论 -
【深度学习理论 卷积神经网络04】快速了解池化层(Pooling)的功能和运作方式
本文是笔记,参考课程图文池化层01. 功能除了卷积层以外,另一个重要的隐藏层是一个下采样的操作用于快速减少输入的大小,同时不丢失重要的信息02. 常见池化层1. max pooling 最大值池化2. average pooling 平均值池化03. 概念理解以此图为例,可以看到被分成大小相同,形状相同的四块,实际上是矩阵核的初始位置和三次滑动,即类似之前提到的kernel卷积核矩阵核:2 * 2stride步长:2输出结果形状计算: (4-2)/ 2 +1公式可见:ht原创 2021-07-10 09:22:50 · 258 阅读 · 0 评论