CNN

最新推荐文章于 2024-05-26 10:18:07 发布
最新推荐文章于 2024-05-26 10:18:07 发布
阅读量1.3k 收藏 2
点赞数 1
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_45611085/article/details/100572209
版权

1、CNN的基本模块
CNN由输入层输出层及多个隐藏层组成，隐藏层可以分为卷积层、池化层、RELU和全连通层。
1、1输入层
CNN的输入层一般湿二维向量，可以有高度，比如RGB图像。
1、2卷积层
卷积层是CNN的核心，层的参数由一组可学习的滤波器（filter）或内核（kernels）组成，他们具有小的感受野，延伸到输入容积的整个深度。在前馈期间，每个滤波器对输入进行卷积，计算滤波器和输入之间的点积，并产生该滤波器的二维激活图，（输入一般二维向量可能有高度，比如RGB），简单来说，卷积层是用来对输入层进行卷积，提取更高层次的特征。
卷积类似于映射，如下图所示；：
在这里插入图片描述
卷积核：所谓的卷积核就是参数矩阵，如下图所示卷积核的作用：
在这里插入图片描述
图中的左图是一个55的图片，转换为了其对应的像素矩阵。图右侧是一个使用33的卷积核进行卷积后得到的结果，卷积核心作用在图像上的过程是这样的：用一个33的窗口去挨个遍历左图的55的矩阵，可以得到9个3*3的矩阵，用这9个矩阵分别与图右侧的卷积核做对应相乘再求和，就是卷积。
1、3池化层
池化层又称为下采样，他的作用是减小数据处理量同时保留有用信息的，他是怎么做到的呢？通常池化层是每领域四个像素中最大的值变为一个像素（这就是下面要讲的max_pooling），为什么这么做可以呢，因为在前面已经通过卷积层提取出了特征，相邻区域的特征是类似近乎不变的，这是池化只是选出最能表征特征的像素，缩减了数据量，同时保留了特征信息。池化层可以描述为模糊图像，丢掉一些不重要的特征。
在这里插入图片描述
1.4RELU层
RELU层全名又叫做修正线性单元，是神经元的激活函数，定义对输入X的作用是max（0，X），当然RELU只是一种选择，还有sigmiod函数。
1.5全连通层
这个层就是常规的神经网络，他的作用就是经过多层卷积层多层池化层所得出来的高级特征进行全连接，算出最后预测值。
1.6输出层
就是对结果的预测值，一般回家一个softmax层。
2 CNN的特点
这里讨论CNN和传统神经网络的不同点，CNN主要有三大特点，分别是局部感知、权重共享和多卷积和。
2.1局部感知
局部感知就是感受野，实际上就是图像和卷积核卷积的时候，每次卷积核覆盖的像素只有一小部分，是局部特征，所以说是局部感知。CNN是局部到整体的过程（局部到整体的实现是在全连通层），而传统神经网络是整体的过程。
在这里插入图片描述
2.2权重共享
传统的神经网络的参数量是非常庞大的，比如1000x1000像素的图片，映射到和自己同样的大小，需要1000x1000的大小，也就是10的12次方，参数量太大。而CNN除了全连接层外，卷积层的大小完全取决于滤波器设计的大小。比如10x10的滤波器，这样只有100个参数，当然滤波器的个数也不止一个，也就是多卷积核，但与传统的神经网络相比，参数还是很小的，计算量小，整个卷积核共享一组滤波器参数
2.3多卷积核
一种卷积核代表的是一种特征，为了获得更多的特征集合，卷积层会有多个卷积核，生成不同的特征，
3.CNN实现架构
LeNet-5主要有7层（不包括输入和输出），具体框架如图
在这里插入图片描述
内容步骤详解：流程：输入层——>第一层卷积层——>第一层池化层——>第二层卷积层——>第二层池化层——>三层全连通层——>输出层
详解：输入是一个2维的图片，大小32X32，经过第一层卷积层，得到了C1层的6个28X28的特征映射图，6个说明了第一层卷积层用了6个卷积核。这里卷积后大小变成28X28，这是因为卷积有两种，一种有填充，卷积后与原图像大小一样，另一种不带填充，卷积后结果与原图像相比，小了一些。然后经过第一层池化层，28X28变成了14X14，一般是每邻域四个像素中的最大值变为一个像素，相应图片的长和宽各缩小两倍。然后又经过一个卷积层，变成了C3层的16个10X10的特征映射图，然后又经过一个池化层，得到S4层的16个5X5的特征映射，然后将这16个5X5的特征映射送到3层的常规神经网络，得出最后的结果。

总结：我们可以这样想，前面的卷积层和池化层是为了提取输入的高级特征，送到全连通层的输入，然后训练出最后的结果。

欢迎使用Markdown编辑器

你好！ 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Markdown编辑器, 可以仔细阅读这篇文章，了解一下Markdown的基本语法知识。

新的改变

我们对Markdown编辑器进行了一些功能拓展与语法支持，除了标准的Markdown编辑器功能，我们增加了如下几点新功能，帮助你用它写博客：

  1. 全新的界面设计 ，将会带来全新的写作体验；
  2. 在创作中心设置你喜爱的代码高亮样式，Markdown 将代码片显示选择的高亮样式 进行展示；
  3. 增加了 图片拖拽 功能，你可以将本地的图片直接拖拽到编辑区域直接展示；
  4. 全新的 KaTeX数学公式 语法；
  5. 增加了支持甘特图的mermaid语法1 功能；
  6. 增加了 多屏幕编辑 Markdown文章功能；
  7. 增加了 焦点写作模式、预览模式、简洁写作模式、左右区域同步滚轮设置 等功能，功能按钮位于编辑区域与预览区域中间；
  8. 增加了 检查列表 功能。

功能快捷键

撤销：Ctrl/Command + Z
重做：Ctrl/Command + Y
加粗：Ctrl/Command + B
斜体：Ctrl/Command + I
标题：Ctrl/Command + Shift + H
无序列表：Ctrl/Command + Shift + U
有序列表：Ctrl/Command + Shift + O
检查列表：Ctrl/Command + Shift + C
插入代码：Ctrl/Command + Shift + K
插入链接：Ctrl/Command + Shift + L
插入图片：Ctrl/Command + Shift + G
查找：Ctrl/Command + F
替换：Ctrl/Command + G

合理的创建标题，有助于目录的生成

直接输入1次#，并按下space后，将生成1级标题。
输入2次#，并按下space后，将生成2级标题。
以此类推，我们支持6级标题。有助于使用TOC语法后生成一个完美的目录。

如何改变文本的样式

强调文本 强调文本

加粗文本 加粗文本

标记文本

删除文本

引用文本

H2O is是液体。

210 运算结果是 1024.

插入链接与图片

链接: link.

图片: Alt

带尺寸的图片: Alt

居中的图片: Alt

居中并且带尺寸的图片: Alt

当然，我们为了让用户更加便捷，我们增加了图片拖拽功能。

如何插入一段漂亮的代码片

去博客设置页面，选择一款你喜欢的代码片高亮样式，下面展示同样高亮的 代码片.

// An highlighted block
var foo = 'bar';

生成一个适合你的列表

  • 项目
    • 项目
      • 项目
  1. 项目1
  2. 项目2
  3. 项目3
  • 计划任务
  • 完成任务

创建一个表格

一个简单的表格是这么创建的：

项目Value
电脑$1600
手机$12
导管$1

设定内容居中、居左、居右

使用:---------:居中
使用:----------居左
使用----------:居右

第一列第二列第三列
第一列文本居中第二列文本居右第三列文本居左

SmartyPants

SmartyPants将ASCII标点字符转换为“智能”印刷标点HTML实体。例如：

TYPEASCIIHTML
Single backticks'Isn't this fun?'‘Isn’t this fun?’
Quotes"Isn't this fun?"“Isn’t this fun?”
Dashes-- is en-dash, --- is em-dash– is en-dash, — is em-dash

创建一个自定义列表

Markdown
Text-to- HTML conversion tool
Authors
John
Luke

如何创建一个注脚

一个具有注脚的文本。2

注释也是必不可少的

Markdown将文本转换为 HTML。

KaTeX数学公式

您可以使用渲染LaTeX数学表达式 KaTeX:

Gamma公式展示 Γ ( n ) = ( n − 1 ) ! ∀ n ∈ N \Gamma(n) = (n-1)!\quad\forall n\in\mathbb N Γ(n)=(n−1)!∀n∈N 是通过欧拉积分

Γ ( z ) = ∫ 0 ∞ t z − 1 e − t d t   . \Gamma(z) = \int_0^\infty t^{z-1}e^{-t}dt\,. Γ(z)=∫0∞​tz−1e−tdt.

你可以找到更多关于的信息 LaTeX 数学表达式here.

新的甘特图功能，丰富你的文章

Mon 06 Mon 13 Mon 20 已完成 进行中 计划一 计划二 现有任务 Adding GANTT diagram functionality to mermaid
  • 关于 甘特图 语法，参考 这儿,

UML 图表

可以使用UML图表进行渲染。 Mermaid. 例如下面产生的一个序列图：:

张三 李四 王五 你好！李四, 最近怎么样? 你最近怎么样，王五？ 我很好，谢谢! 我很好，谢谢! 李四想了很长时间, 文字太长了 不适合放在一行. 打量着王五... 很好... 王五, 你怎么样? 张三 李四 王五

这将产生一个流程图。:

链接
长方形
圆
圆角长方形
菱形
  • 关于 Mermaid 语法，参考 这儿,

FLowchart流程图

我们依旧会支持flowchart的流程图：

Created with Raphaël 2.2.0 开始 我的操作 确认？ 结束 yes no
  • 关于 Flowchart流程图 语法，参考 这儿.

导出与导入

导出

如果你想尝试使用此编辑器, 你可以在此篇文章任意编辑。当你完成了一篇文章的写作, 在上方工具栏找到 文章导出 ，生成一个.md文件或者.html文件进行本地保存。

导入

如果你想加载一篇你写过的.md文件，在上方工具栏可以选择导入功能进行对应扩展名的文件导入，
继续你的创作。

  1. mermaid语法说明 ↩︎

  2. 注脚的解释 ↩︎

我想学iT
关注
  • 1
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
cnn卷积神经网络PPT详解
08-11
CNN 卷积神经网络详解 作为一名 IT 行业大师，我将详细解释 CNN 卷积神经网络的知识点，涵盖标题、描述、标签和部分内容中的相关信息。 卷积神经网络（CNN） 卷积神经网络（Convolutional Neural Networks，CNN）...
卷积神经网络（CNN）超详细介绍
weixin_44021149的博客
03-22 5万+
文章转自：https://blog.csdn.net/jiaoyangwm/article/details/80011656 文章目录 1、卷积神经网络的概念2、 发展过程3、如何利用CNN实现图像识别的任务4、CNN的特征5、CNN的求解6、卷积神经网络注意事项7、CNN发展综合介绍8、LeNet-5结构分析9、AlexNet10、ZFNet10.1 意义10.2 实现方法10.3 训练细节10.4 卷积网络可视化10.6 总结 11、VGGNet11.1 结构11.2 网络特点：11.3 分
卷积神经网络（CNN）详细介绍及其原理详解
热门推荐
IronmanJay的博客
01-14 14万+
本文总结了关于卷积神经网络（CNN）的一些基础的概念，并且对于其中的细节进行了详细的原理讲解，通过此文可以十分全面的了解卷积神经网络（CNN），非常适合于作为Deep Learning的入门学习。下面就是本篇博客的全部内容！
CNN卷积神经网络：理论基础、核心架构与多元应用
最新发布
JINGWHALE
05-26 818
CNN是一种深度学习模型，利用卷积层提取图像特征，池化层降维与增强不变性，全连接层实现分类/回归。核心理论包括局部感知、权值共享、多层抽象。广泛应用图像识别、目标检测、语义分割、生成任务等领域。
经典CNN模型特点总结
qq_41332469的博客
05-05 6441
参考文章地址：https://www.cnblogs.com/skyfsm/p/8451834.html 1、LeNet 定义了CNN的最基本的架构：卷积层、池化层、全连接层。 2、AlexNet 特点： 更深的网络 数据增广技巧来增加模型泛化能力。 用ReLU代替Sigmoid来加快SGD的收敛速度 引入drop out防止过拟合 Local Responce Normalization：局部...
CNN优点各层作用
Hulk_的博客
03-06 5139
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...
【图像识别】卷积神经网络CNN详细概述
See_Star的博客
08-03 3350
一 基本概念 卷积神经网络与普通神经网络非常相识，它们都是由神经元组成，有拥有学习性的权重和偏置。每隔 卷积神经网络与普通神经网络的区别在于，卷积神经网络包含了一个由卷积层和子采样层（池化层）构成的特征抽取器。在卷积神经网络的卷积层中，一个神经元只与部分邻层神经元连接。在CNN的一个卷积层中，通常包含若干个特征图(featureMap)，每个特征图由一些矩形排列的的神经元组成，同一特征图的神经元共...
CNN BackPropagation
05-08
Derivation of convolutional kernels
偏微分方程+CNN+PDE求解
01-11
偏微分方程+CNN+PDE求解 偏微分方程（Partial Differential Equations，PDE）是一种数学工具，广泛应用于描述物理、工程和科学问题。在机器学习领域，PDE可以与卷积神经网络（Convolutional Neural Networks，CNN）...
CNN+SVM结合的python程序
04-05
CNN+SVM结合的python程序
CNN基本入门总结（归纳）
10-30
介绍神经网络与卷积神经网络：1.层级结构，2.数据处理，3.训练算法，4.优缺点、正则化与Dropout、典型结构与训练
cnn程序 matlab
02-03
在IT领域，卷积神经网络（Convolutional Neural Network，简称CNN）是一种广泛应用于图像处理、计算机视觉和自然语言处理等任务的深度学习模型。MATLAB作为一种强大的数值计算和编程环境，提供了方便的工具箱来实现...
基于matlab的卷积神经网络CNN图像分类预测
04-06
卷积神经网络包含所需的代码和数据，可以直接运，已保存运行结果。卷积神经网络是一包含卷积计算且具有深度结构的前馈神经网络，是深度学习的代表算法之一。卷积神经网络具有表征学习能力，能按其阶层结构对输入信息...
CNN卷积神经网络Matlab实现
12-10
卷积神经网络（CNN，Convolutional Neural Network）是一种深度学习模型，特别适用于图像处理任务。在本项目中，我们关注的是使用Matlab来实现CNN，以完成手写数字识别的任务。Matlab作为一款强大的数学计算软件，...
cnn卷积神经网络.rar
05-22
cnn卷积神经网络
59.CNN的特点和优势
程序员养成日记
04-07 7336
CNN的使用范围是具有局部空间相关性的数据，比如图像、自然语言、语音。 局部连接：可以提取局部特征 权值共享：减少参数数量，降低训练难度 降维：通过池化或卷积stride实现 多层次结构：将低层次的局部特征组合成较高层次的特征，不同层级的特征可以对应不同任务 ...
CNN特点
heitong_fu的博客
09-01 2065
CNN特点 • 局部连接 • 权值共享（共享卷积核） • 自动提取特征，逐层组合 局部连接 图像的空间联系是局部的，就像人是通过一个局部的感受野去感受外界图像一样，每一个神经元都不需要对全局图像做感受，每个神经元只感受局部的图像区域，然后在更高层，将这些感受不同局部的神经元综合起来就可以得到全局的信息了。 先理解全连接：在两层神经元之间每两个神经元都存在一个连接，假设n-1层有200个神经元，n层有200个神经元，那么两层之间的连接数为200200 那么局部连接即两层神经元之间每两个神经元并不都存在一个连接
深度学习-CNN提取图像特征
知识搬运工的博客
01-30 9万+
一、卷积层 1.卷积操作 2.特征提取—"X" or "O"？ 二、池化(Pooling) 三、Relu 层 四、全连接层(Fully connected layers) 五、反向传播算法BP 六、总结 作为机器学习的一个分支，深度学习同样需要计算机获得强大的学习能力，那么问题来了，我们究竟要计算机学习什么东西？答案当然是图像特征了。将一张图像看做是一个个像素值组成的...
CNN MATLAB
04-09
卷积神经网络（Convolutional Neural Network，CNN）是一种常用于图像识别和计算机视觉任务的深度学习模型。在MATLAB中，你可以使用深度学习工具箱来构建和训练CNN模型。 在MATLAB中使用CNN进行图像分类的一般步骤如下： 1. 数据准备：准备训练集和测试集的图像数据，并进行标签标注。 2. 网络设计：选择合适的网络结构，包括卷积层、池化层、全连接层等。 3. 网络训练：使用训练集对CNN模型进行训练，通过反向传播算法更新网络参数。 4. 网络评估：使用测试集对训练好的CNN模型进行评估，计算分类准确率等指标。 5. 预测应用：使用训练好的CNN模型对新的图像进行分类预测。 MATLAB提供了一些内置函数和工具来简化CNN的实现过程，例如`alexnet`、`vgg16`等预训练的网络模型，以及`trainNetwork`函数用于训练网络模型。

“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