一文总结经典卷积神经网络CNN模型

已于 2024-06-03 14:57:28 修改
阅读量5.6k 收藏 60
点赞数 9
分类专栏： 人工智能 Python 文章标签： cnn 深度学习 神经网络 人工智能 机器学习
于 2023-04-01 16:52:59 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_45116099/article/details/129893879
版权

一般的DNN直接将全部信息拉成一维进行全连接，会丢失图像的位置等信息。
CNN（卷积神经网络）更适合计算机视觉领域。下面总结从1998年至今的优秀CNN模型，包括LeNet、AlexNet、ZFNet、VGG、GoogLeNet、ResNet、DenseNet、SENet、SqueezeNet、MobileNet。在了解巨佬们的智慧结晶，学习算法上的思路和技巧，便于我们自己构建模型，也便于我们做迁移学习。
在观看了斯坦福的CS231n课程视频和同济子豪兄的视频后很有感悟，但在csdn发现没有类似详细的总结，希望帮到一些小白，搭配子豪兄的视频食用更佳哦。

  • 卷积可以 提取原图中符合卷积核特征的特征，赋予神经网络 局部感受野，权值共享（卷积核是共享的）。
  • 池化（下采样）目的是 减少参数量、防止过拟合、平移不变性（原图像平移不改变模型判断结果）

在这里插入图片描述

模型总结的主线以历年ImageNet竞赛的优秀模型为主。
在这里插入图片描述
 
想高效入门深度学习的童鞋可以康康这篇哦：
《一文极速理解深度学习》

其中一些经典模型的代码实现可以康康这篇！
《经典卷积神经网络Python,TensorFlow全代码实现》

目录

LeNet

1998年提出的模型，为了识别手写数字。7层CNN，网络结构就是 卷积池化+卷积池化+3层全连接

在这里插入图片描述

为了节省运算，不是所有通道都参与下一个卷积运算。
输出层不是用softmax，而是用了高斯连接。
采用了 Sigmoid / tanh 激活函数。

 

AlexNet

总结网络结构与LeNet差不多，但有更深的模型，更多卷积核，且处理的是自然图像，而不是手写数字。是ImageNet 2012年的winner，首次使用CNN，精度大幅提升，具有跨时代意义，之后所有CV领域的模型都是基于卷积神经网络。

原论文图中输入应该是227*227*3，原论文有误。
因为当时GPU内存不够，所以用2个GPU，每个GPU有48个卷积核，将模型并行计算。

在这里插入图片描述

在这里插入图片描述

卷积池化归一化统一算一层卷积层&

最低0.47元/天 解锁文章
全栈O-Jay
关注
  • 9
    点赞
  • 踩
  • 60
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
CNN模型
zakexu的专栏
07-22 8607
（一）简介 1.卷积神经网络（Convolutional Neural Network,CNN）是一种处理大型图像的深度神经网络模型，主要由卷积层以及下采样层组成； 2.卷积层的理论依据主要是生物学上的感受野概念，通俗点讲就是权值共享，这样可以大大减少神经网络需要训练的参数； 3.下采样，也有人叫pooling，其实就是对图像进行子采样，利用图像局部相关性的原理，在减少数据量的同时又保留有用
卷积神经网络CNN模块化剖析
ch18328071580的博客
07-03 3879
本文简要介绍了深度学习的发展。然后对卷积神经网络的几个模块进行了剖分讲解，包括：卷积层，池化层，非线性激活函数，全连接层以及损失函数和优化方法。搞懂了这些模块之后，你就可以去读文章啦！
深度学习-CNN模型汇总
u010484388的博客
09-07 3872
目录 1、AlexNet网络模型 2、VGG网络模型 3、Inception模型（googleNet） 3.1[v1] 3.2[v2] 3.3[v3] 4 ResNet 1、AlexNet网络模型 2012年，Alex等人提出的AlexNet网络在ImageNet大赛上以远超第二名的成绩夺冠，卷积神经网络乃至深度学习重新引起了广泛的关注。主要特点有： 更深的网络结构 使...
一文读懂卷积神经网络(CNN)
06-26
本文来自于腾讯云，全文阐述了卷积神经网络的基本结构和原理，希望对您的学习有帮助。先明确一点就是，DeepLearning是全部深度学习算法的总称，CNN是深度学习算法在图像处理领域的一个应用。第一点，在学习Deeplearning和CNN之前，总以为它们是很了不得的知识，总以为它们能解决很多问题，学习了之后，才知道它们不过与其他机器学习算法如svm等相似，仍然可以把它当做一个分类器，仍然可以像使用一个黑盒子那样使用它。第二点，DeepLearning强大的地方就是可以利用网络中间某一层的输出当做是数据的另一种表达，从而可以将其认为是经过网络学习到的特征。基于该特征，可以进行进一步的相似度
CNN（卷积神经网络）基础网络总结
最新发布
weixin_63935879的博客
04-29 1668
VGG系列主要包括VGG11、VGG13、VGG16、VGG19，结构大差不差，都是由基本模块进行堆叠而成。
CNN经典网络模型-论文合集【综述】
02-21
CNN经典网络模型-论文合集【综述】，LeNet AlexNet GoogleNet ResNet CNN
（太长太全面了）CNN超详细介绍
qq_43703185的博客
08-10 2万+
原文链接：https://blog.csdn.net/jiaoyangwm/article/details/80011656 文章目录1、卷积神经网络的概念2、
简单讲解CNN（卷积神经网络）
jakelihua
09-27 212
在上述代码中，我们首先定义了一个CNN模型，其中包含两个卷积层和一个全连接层。在本文中，我们将通过一个具体的案例，详细讲解CNN的工作原理和应用，并提供相关的演示代码。测试数据集包含未标记的图像，我们将使用训练好的模型来预测这些图像的标签。卷积层用于提取图像的特征，池化层用于降低特征图的维度，全连接层用于将提取的特征映射到输出类别。在我们的案例中，我们可以使用两个卷积层和一个全连接层来构建CNN。通过运行上述代码，您将能够训练一个CNN模型，用于图像分类任务，并得到模型在测试数据集上的准确率。
深度学习04-CNN经典模型
liaomin416100569的专栏
05-16 8385
卷积神经网络（CNN）是深度学习中非常重要的一种网络结构，它可以处理图像、文本、语音等各种类型的数据。以下是CNN的前4个经典模型LeNet-5是由Yann LeCun等人于1998年提出的，是第一个成功应用于手写数字识别的卷积神经网络。它由7层神经网络组成，包括2层卷积层、2层池化层和3层全连接层。其中，卷积层提取图像特征，池化层降低特征图的维度，全连接层将特征映射到对应的类别上。LeNet-5的主要特点是使用Sigmoid激活函数、平均池化和卷积层后没有使用零填充。
深度学习03-卷积神经网络(CNN)
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。
卷积神经网络模型
Chaleen的博客
05-30 3100
在深度学习中，卷积神经网络（CNN）在计算机视觉领域的应用十分广泛。本文章旨在介绍一些CNN的模型，并分析各自模型的优缺点。
【深度学习】经典的卷积神经网络模型介绍（LeNet、AlexNet、VGGNet、GoogLeNet、ResNet和MobileNet）
热门推荐
点赞的都能无bug通过！
03-17 4万+
经典的卷积神经网络模型介绍卷积神经网络简介一、LeNet1、INPUT层-输入层2、C1层-卷积层3、S2层-池化层（下采样层）4、C3层-卷积层5、S4层-池化层（下采样层）6、C5层-卷积层7、F6层-全连接层二、AlexNet1、AlexNet特点2、ReLu作为激活函数3、数据增强4、层叠池化5、局部相应归一化6、Dropout7、Alex网络结构8、AlexNet参数数量三、VGG net1、VGG的特点2、VGG网络结构3、VGG优缺点四、GoogLeNet1、GoogLeNet Incepet
详细版【卷积神经网络CNN】基础模型（邱锡鹏）
weixin_43232279的博客
04-24 1557
卷积神经网络CNN 全连接前馈问题： 参数太多：效率低且容易过拟合 局部不变特性：忽略物体的局部不变性特征，比如图像中的尺度缩放、平移、旋转等操作不影响其语义信息。如果使用全连接，则所有维度都被一视同仁，如(x1,y1) (x2,y2)中的四个数字被等价看待，但是实际上x1和x2的关联度（相关性）会高于x1和y1，一般需要进行数据增强来提高性能。 卷积神经网络CNN是一种具有局部连接、权重共享、汇聚等特性的深层前馈神经网络。 一维卷积（信号处理中使用） 𝑦𝑡= ∑ 𝑤𝑘𝑥𝑡−𝑘+1 ( 1
一文读懂卷积神经网络CNN.doc
10-20
卷积神经网络 CNN 详解 卷积神经网络（Convolutional Neural Network，CNN）是一种高效的图像识别方法，近年来发展起来，并引起了广泛的重视。CNN 的基本结构包括两层：特征提取层和特征映射层。特征提取层的每个...
一文读懂卷积神经网络CNN.docx
12-17
卷积神经网络（CNN，Convolutional Neural Networks）是深度学习领域中的一种核心模型，尤其在图像识别、计算机视觉和自然语言处理等任务上表现出色。CNN的设计灵感来源于生物视觉系统，尤其是Hubel和Wiesel两位科学...
(完整版)一文读懂卷积神经网络CNN.pdf
11-05
"卷积神经网络CNN知识点总结" 卷积神经网络（Convolutional Neural Networks，简称 CNN）是一种高效识别方法，近年来发展起来并引起广泛重视。CNN 能够避免对图像的复杂前期预处理，可以直接输入原始图像，因而得到...
(完整版)一文读懂卷积神经网络CNN.docx
11-05
"卷积神经网络CNN知识点" 卷积神经网络（Convolutional Neural Networks，简称 CNN）是一种高效识别方法，近年来发展起来，并引起广泛重视。CNN 的基本结构包括两层：特征提取层和特征映射层。特征提取层的每个神经...
深度学习教程 | 经典CNN网络实例详解
weixin_42907150的博客
02-17 1087
本系列为吴恩达老师《深度学习专项课程(Deep Learning Specialization)》学习与总结整理所得，对应的课程视频可以在这里查看。在ShowMeAI前一篇文章 卷积神经网络解读 中我们对以下内容进行了介绍：本篇内容ShowMeAI展开介绍和总结几个有名的典型CNN案例。这些CNN是最典型和有效的结构，吴恩达老师希望通过对具体CNN模型案例的分析讲解，帮助我们理解CNN并训练实际的模型。本篇涉及到的经典CNN模型包括：手写字体识别模型LeNet5由Yann LeCun教授于90年代提出来，是
CNN经典网络：LeNet、AlexNet、NIN、VGG
qq_39382877的博客
07-27 839
前言 LeNet AlexNet NIN VGG 前言 之前刚开始接触CNN的时候导师让我写过综述，就把一些经典的CNN网络整理一下。 LeNet CNN的开山之作，是LeCun在98年解决手写是数字识别任务时提出的，从那时起CNN的基本架构就定下来了：卷积、池化、全连接层。 网络结构 如图 3.1 所示，最早的 LeNet 有 7 层网络，包括 3 个卷积层， 2 个池化层， 2...
cnn卷积神经网络图像识别
09-01
卷积神经网络（CNN）是一类包含卷积计算的前馈神经网络，专门用于图像处理等任务。CNN的设计基于图像任务中的平移不变性，也就是说图像中的对象在不同位置具有相同的含义。 CNN在图像处理领域得到了广泛应用，它能够有效处理高维的图像数据（如RGB矩阵表示），避免了传统的前馈网络需要大量输入神经元的问题。 使用CNN进行图像识别基本流程如下： 1. 数据准备：收集并标注大量的图像数据集，将其划分为训练集和测试集。 2. 网络构建：使用CNN的核心概念，如卷积层（Conv2D）、池化层（MaxPool2D）、展平层（Flatten）和全连接层（Dense），构建一个适合图像识别任务的网络结构。 3. 训练模型：使用训练集的图像数据作为输入，通过反向传播算法和优化器（如Adam）对网络进行训练，使其能够学习图像中的特征和模式。 4. 评估与调优：使用测试集的图像数据对训练好的模型进行评估，并根据评估结果进行调优，如调整网络参数、增加数据量等。 5. 应用模型：在实际应用中，使用训练好的模型对新的图像数据进行识别，实现图像分类、目标检测等任务。 综上所述，CNN（卷积神经网络）是一种用于图像识别的神经网络模型，通过对图像进行卷积计算和特征提取，能够有效地进行图像分类和目标检测等任务。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* *3* [基于CNN的图像识别(Tensorflow)](https://blog.csdn.net/first_bug/article/details/124938432)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 50%"] - *2* [一文弄懂CNN及图像识别](https://blog.csdn.net/m0_61899108/article/details/122401122)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 50%"] [ .reference_list ]
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

打赏作者

全栈O-Jay

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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