十五天掌握CNN——卷积神经网络简介 & 数据输入层

最新推荐文章于 2023-05-05 23:22:37 发布
最新推荐文章于 2023-05-05 23:22:37 发布
阅读量7.1k 收藏 19
点赞数 2
分类专栏： 深度学习——CNN
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_45407668/article/details/102850477
版权

魏老师学生——Cecil：学习卷积神经网络CNN之旅

神经网络的结构

神经网络分为输入层、中间层、输出层。如图：
1

卷积神经网络

  1. Convolutional Neural Networks CNN：可以有效降低反馈（传统）神经网络的复杂性。
  2. 常见CNN结构：LeNet-5、AlexNet、ZFNet、VGGNet、GoogleNet、ResNet、DenseNet、SENet、Residual Attention Networks、MobileNet、ShuffleNet。
  3. CNN发展的重要方向：层次的增加，从而利用增加的非线性神经元得出目标函数的近似结构，同时得出更好的特征表达。但是也导致了网络整体复杂度增加，使网络更加难优化。很容易产生模型过拟合 \ 模型退化情况。
  4. 应用：图像分类、目标检测以及图像分割。
  5. 层次结构：保持了层级网络结构；不同层次使用不同形式（运算）和功能。2
  6. 主要层次：数据输入层（Input Layer）、卷积计算层（CONV Layer）、ReLU激励层（ReLU Incentive Layer）、池化层（Pooling Layer）、全连接层（FC Layer）、可能有批归一化层（Batch Normalization Layer）

数据输入层（Input Layer）

类似神经网络 / 机器学习，输入数据需要进行预处理操作，原因：

  1. 防止输入数据单位不一样，导致神经网络收敛速度慢、训练时间长。
  2. 数据范围大的输入在模式分类中作用偏大，反之偏小。
  3. 神经网络中存在的激活函数有值域限制，必须将网络训练的目标数据映射到激活函数值域。
  4. S形激活函数在（-4,4）区间外很平缓，区分度太低。

常见三种数据预处理方式：
去均值（将输入数据的各个维度中心化到0）
标准化（将输入数据的各个维度的幅度标准化到同样范围）
PCA \ 白化（用PCA降维，即去掉特征与特征之间的相关性；在PCA基础上对转换后的数据每个特征轴上的幅度标准化为白化）

去均值 & 标准化
3
PCA & 白化
4
数据特征预处理方法： 去均值、归一化、标准化、区间缩放法。常用去均值和归一化。
5

yin_jiang
关注
  • 2
    点赞
  • 踩
  • 19
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
cnn输入层_深入理解卷积神经网络(CNN)
weixin_39784263的博客
11-20 1万+
卷积神经网络简介传统的BP神经网络与DNN(深度神经网络)不同层神经元的连接方式是“全连接”，也就是这一次层的一个神经元的输入，会接受上一次每一个神经元的输出，这种方式即为“全连接神经网络”。这样的连接方式有一个的缺点：因为权值与偏置等参数量大，导致训练收敛十分缓慢。特别是对于图像这样的训练数据，动不动就是数以百万的像素，理论上虽然可以收敛，但你可能得等上N年才有结果，而且它的泛化性也会变差。例如...
卷积神经网络各层的意义,卷积神经网络各层作用
纸尿裤排行
10-09 4745
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。[1] 它包括卷积层(alternating convolutional layer)和池层(pooling layer)。卷积神经网络是近年发展起来，并引起广泛重视的一种高效识别方法。
卷积神经网络——输入层、卷积层、激活函数、池化层、全连接层（转载）
邹小驴
12-11 1516
https://blog.csdn.net/yjl9122/article/details/70198357 https://www.cnblogs.com/neopenx/p/4453161.html（激活函数进步详解） https://blog.csdn.net/glory_lee/article/details/77899465 最容易理解的对卷积(convolution)的解释(ht...
卷积神经网络基础--输入层、卷积层
Maisu的博客
10-19 3602
局部连接是由人的视觉系统激发出来的，它通过将卷积层的结点与上一层的局部结点相结合，从而达到学习局部特征的目的。而在局部连接中，单一的神经元仅需要对图象的局部感知，再将全部的局部感知信息按顺序合并，就可以获得整个图象的整体信息。如图表示的是权值共享。需要引起注意的是，神经网络的激活函数一般都处于一定的数值区间，因此进行网络训练的数据得映射到相应的区间。局部连接和权值共享是卷积层的两个最主要的特征：为提取数据的特征信息，需把数据中潜在的具有相关性的信息抽象化，便于进行以上两个特征操作。
深度学习—卷积神经网络简单理论及实践
北边一颗小星星
05-05 1055
传统意义上的多层神经网络只有输入层、隐藏层和输出层。其中隐藏层的层数根据需要而定，没有明确的理论推导来说明到底多少层合适。卷积神经网络CNN，在原来多层神经网络的基础上，加入了更加有效的特征学习部分，具体操作就是在原来的全连接层前面加入了卷积层和池化层。卷积神经网络的出现，使得神经网络层数得以加深，“深度”学习由此而来。
卷积神经网络学习路线（一）| 卷积神经网络的组件以及卷积层是如何在图像中起作用的？
I good vegetable a!
12-06 1327
前言 这是卷积神经网络学习路线的第一篇文章，这篇文章主要为大家介绍卷积神经网络的组件以及直观的为大家解释一下卷积层是如何在图像中发挥作用的。 卷积神经网络的组件 ...
cnn输入层_CNN用于文本分类综述
weixin_39719749的博客
10-21 330
文本分类是自然语言处理中非常底层且至关重要的任务之一，其常见方法由以前的传统模型如朴素贝叶斯加之一些常规的特征提取操作，如TF-IDF、LDA等等，演变到如今一系列的深度模型，主要包括CNN及其变种, 以RNN为基础的诸多序列模型，以及后来的RCNN, RNN via attention等等。但由于textCNN的实现简便、支持并行（从而运行速度很快），还是受到许多研究者的青睐，因而常常被用作一些...
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...
MATLAB实现CNN卷积神经网络多输入回归预测（完整源码和数据）
10-13
卷积神经网络（CNN，Convolutional Neural Network）是一种在图像处理领域广泛应用的深度学习模型，近年来也逐渐被引入到其他领域，如自然语言处理和时间序列预测。在这个MATLAB实现的项目中，CNN被用来进行多输入...
MATLAB实现CNN卷积神经网络多输入多输出预测（完整源码和数据）
11-11
MATLAB实现CNN卷积神经网络多输入多输出预测（完整源码和数据） 数据为多输入多输出预测，输入10个特征，输出3个变量,程序乱码是由于版本不一致导致，可以用记事本打开复制到你的文件。 运行环境MATLAB2018b及以上。
AI学习笔记——卷积神经网络（CNN）
02-24
本文来自简书，本文主要介绍了一个完整的卷积神经网络(CNN)，卷积的滤波器（Filter）是如何工作的呢？请参见下文。上篇文章简单地地介绍了神经网络和深度学习，在神经网络中，每一层的每个神经元都与下一层的每个...
cnn输入层_CNN概述
weixin_39980596的博客
10-21 697
CNN——Convolutional Neural Network我的博客：CNN概述_人工智能_稚与的博客-CSDN博客​blog.csdn.net卷积神经网络简介特点将大数据量的图片降维成小数据量有效保留图片特征应用领域人脸识别、自动驾驶、无人安防CNN解决的问题图像的数据量太大，导致成本很高，效率很低图像在数字化的过程中容易丢失特征（其实就对应了两个特点）下面具体看一下这两个问题数据量大图像...
《CNN笔记总结系列之一》简要介绍及输入层
weixin_44014740的博客
11-23 1180
《CNN笔记总结系列之一》简要介绍及输入层 -------本文仅为学习笔记，不做任何商业用途------- ## 一、卷积神经网络应用     卷积神经网络在计算机视觉领域有十分广泛的应用，尤其实在图像识别（image classification），物体识别（object recognition），行为认知（action recognition），姿态估计（pose estimation），神经风格迁移（neural style transfer）等。而在人体行为识别领域，针对图像的行为认知研究中，卷积神
CNN优点各层作用
Hulk_的博客
03-06 5148
CNN 卷积神经网络（CNN）由输入层、卷积层、激活函数、池化层、全连接层组成。 1.输入层 输入层可以处理多维数据；与其他神经网络相似，由于使用梯度下降学习，cnn的输入特征需要标准化处理。 2.卷积层 用它来进行特征提取。 3.激活层 加强神经网络的表达能力 4.池化层 对输入的特征进行压缩，提取主要特征 5.全连接层 连接所有的特征，将输出值送给分类器 CNN的作用 简单来说，CNN的目的是...
CNN入门——CNN各层功能解释
qszirui的博客
11-21 9358
众所周知，CNN是一种特殊的深层前馈网络，CNN模型主要包含输入层、卷积层、激励函数、池化层、全连接层以及输出层。接下来将为大家细化分析每一层结构的作用。 输入层(INPUT)：用于数据的输入。 当输入一张3232的jpg图片的时候，输入层能读取到3232*3的矩阵，3是它的深度（即R、G、B）。 卷积层(CONV)：使用卷积核进行特征提取和特征映射。 机器学习识别图片的过程中，并不是一...
CNN - 卷积神经网络输入层
吴明磊的博客
07-30 1万+
数据输入层：Input Layer 1、数据预处理 进行预处理的主要原因是： 输入数据单位不一样，可能会导致神经网络收敛速度慢，训练时间长 数据范围大的输入在模式分类中的作用可能偏大，而数据范围小的作用就有可能偏小 由于神经网络中存在的激活函数是有值域限制的，因此需要将网络训练的目标数据映射到激活函数的值域 S形激活函数在(0,1)区间以外区域很平缓，区分度太小。例如S形函数f(...
深度学习的数学-神经网络、输入层、隐藏层、输出层
热门推荐
JeffreyWang的技术博客
03-08 4万+
文章目录前言正文一个例子输入层输出层隐藏层各个层如何向上传递信息神经网络中权重和偏置的作用有监督学习下，如何确认权重总结 排版可能更好一点的永久原文链接：深度学习的数学-神经网络、输入层、隐藏层、输出层 前言 前文中了解到，神经网络由多个神经单元组成，而本篇博客将会了解到深度学习由多个神经网络组成，并且分为 输入层、隐藏层和输出层，隐藏层涉及到的知识点最多，是本文的重点 正文 阶层型的神经网络主要...
深度学习（三） 卷积神经网络入门与实践
Hello World!
02-28 5928
基于全连接神经网络的种种弊端，卷积神经网络(CNN)横空出世。卷积神经网络的核心思想在于：我们能不能将传统神经网络在识别图像时变得像人一样灵活，能够用双眼去识别图像的特征从而在大脑中聚合特征信息得到识别结果，而不是盲目的去学习全部？卷积神经网络结构主要由：输入层、卷积层、池化层、激活层、全连接层 组成，我们将分别介绍。
论文理解：基于卷积神经网络的人脸识别方法
Enjolras_fuu的博客
03-03 2万+
本文是对陈耀丹、王连明的基于卷积神经网络的人脸识别方法的理解。 摘要：实现了一种基于卷积神经网络的人脸识别方法，该网络由两个卷积层，两个池化层、一个全连接层和一个softmax回归层组成，它能自动提取人脸特征并进行分类，网络通过批量梯度下降法训练特征提取器和分类器，各隐层应用“dropout”方法解决了过拟合问题，应用于ORL和AR人脸数据库的人脸识别率分别达到99.50%和99.62%，识别单张
cnn卷积神经网络做时序数据的对比
最新发布
06-08
对于时间序列数据的对比任务，可以使用1D-CNN卷积神经网络模型。1D-CNN适用于处理一维的时间序列数据，可以提取局部的时间特征。1D-CNN的输入是一个形状为(N, L, C)的张量，其中N表示样本数，L表示序列长度，C表示每个时间步的特征数。对于时间序列的对比任务，可以将两个时序数据分别作为两个输入，然后将它们拼接在一起，以输入到1D-CNN模型中。在1D-CNN中，卷积核的滑动窗口大小可以设置为两个时序数据长度的最小值，以确保两个时序数据都被完整地处理。最后，将1D-CNN的输出传递给全连接层进行分类或回归任务。 需要注意的是，时间序列数据的对比任务需要先进行数据的预处理和特征工程，以提取有效的时间序列特征。另外，数据的标准化和归一化也是非常重要的步骤，以确保1D-CNN模型的稳定性和准确性。

“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