神经网路概述CNN

最新推荐文章于 2024-09-02 20:14:35 发布
最新推荐文章于 2024-09-02 20:14:35 发布
阅读量226 收藏
点赞数
分类专栏： opencv视觉处理 文章标签： cnn 神经网络 深度学习
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_45846977/article/details/120394279
版权

卷积神经网络构成：

（1）卷积层

1、功能：提取特征
2、输入输出：输入的是图片、输出是特征图

在这里插入图片描述
卷积核放在神经网络里，就代表对应的权重（weight),，就相当于函数参数。卷积核和图像进行点乘, 就代表卷积核里的权重单独对相应位置的像素进行作用。虽说我们称为卷积，实际上是位置一一对应的点乘，不是真正意义的卷积。比如图像位置（1,1）乘以卷积核位置（1,1），然后将各自点乘结果相加。这里仅仅描述了一次卷积过程。
在这里插入图片描述
之所以这里输出是3×3,是因为我们没有对输入图像进行外边界进行填充。

我们使用一个卷积通过滑动对整个输入图像每个像素点进行操作。

在这里插入图片描述

我们知道通常图像都是有R G B 三个通道也就是三个维度*组成的，每个维度都有自己的像素图，因此我们的卷积核也需要三个维度与之对应相运算。然后把三个维度相对应位置的计算结果相加，比如把R G B 三个维度(1,1)位置各自的卷积结果相加，构成一个新的特征图。这只是一个卷积核心操作的结果，我们由原本一个图像三个维度变化为仅有一个维度一个特征图。有一个卷积核的三个维度参与

在这里插入图片描述

假设我们现在有n个卷积核，每个卷积核都有三个维度。根据上面我们知道***一个卷积核**可以获取一个特征图***，不过由一个卷积核获取的特征图是一维的，那么我们现在n个卷积核操作就可以获取N个一维的特征图这样把n个一维的特征图堆叠起来就成了一个n维度的特征图。假设图像格式为[32,32,3]，三个维度，大小宽高都是32,卷积核是16个[5,5,3]宽高都是5×5,维度是3,这个维度必须和图像维度对应，原因如上，卷积结果就是[32,32,16]，特征图和输入图大小一样，但是维度发生变化，变为了卷积核个数。

下图解释了上面所讲解的。
在这里插入图片描述
输入图像大小是 8 × 8<表示宽高>，维度为3 < R G B>，因为卷积核个数可以随意所以我们采用了五个，但是卷积核维度必须和图像一致，所以只能为3,卷积核大小也可以随意我们采取了3×3大小。五个卷积生成五个维度都为1的特征图，堆叠到一起就成了一个五个维度的特征图。 这个卷积层的输出就是一个五维的特征图。

（2）池化层

1、功能：采样，改变尺寸
2、输入输出：输入是Feature Map特征图《利用卷积层获取》，也就是卷积层的输出。
3、分类
最大池化：原本四个数据转化为一个，特征图尺寸缩减。

在这里插入图片描述

平均池化：也是四个数据变为一个数据。

在这里插入图片描述

4、注意这一层是不需要参数的，他只是对输入的特征图数据做处理。

说到底还是一个特征选择，信息过滤的过程。也就是说我们损失了一部分信息，这是一个和计算性能的一个妥协，随着运算速度的不断提高《尺寸变小了》，我认为这个妥协会越来越小。

这一层对于CNN可有可无。

（3）全连接层

1、功能：提取特征
2、输入输出：输入的是池化层处理的数据结果。输出就是我们想要的结果了。
输出举个例子 ：

我们现在识别物体A属于苹果，香蕉，橘子三类中的那一个。全链接层他的输出并不是直接输出一个结果告诉我们A是香蕉或者A是苹果这种结果。他输出是一个三维(因为我们是三分类，分类n个数据就是n维的数组)的向量[p1,p2,p3]。 p1,p2,p3分别代表物体A被识别为苹果，香蕉，橘子的概率。谁的概率也就是数最大，那么这个物体是谁的可能性就最大，我们就认为他是那个物体。

示意图：

在这里插入图片描述
前半部分的convolution（卷积）和maxpooling layers（池化）我们上面已经讨论过了。
后半部分Fully Connected Layer的输出正如我们上面举的水果识别例子一样，输出的是一个概率数值。

但是我们也发现他的输出面显是一个向量、***但是它的输入（也就是池化层的输出）***是一个特征图，参考下图:

在这里插入图片描述
我们看到池化层结果是20 * 12* 12的特征图***他也是全连接的输入***、但是全连接的输出是一个1 × 100的向量，这里我们可以理解为***在中间做了一次卷积***。我们用一个12x12x20的filter 去卷积激活函数的输出，得到的结果就是一个fully connected layer 的一个神经元的输出，这个输出就是一个值。因为我们有***100个神经元***去做一百次卷积，所以就输出一个1×100的向量。我们实际就是用一个***12x12x20x100***的卷积层去做卷积，得到激活函数的输出，生成一个1×100的向量，来表示各个类别的概率。

（4）**CNN举例子：

卷积神经网络并非只是上面提到的三层结构，而是多层结构，我们对于这个CNN网络结构的设计（卷积层和池化层的个数，位置）过程就是模型的创建。不同模型，结构和参数都不同。结构是我们事先确定好的，而参数的确定就是训练的过程。
在这里插入图片描述

本文供自己学习使用、图片来自网络
明人不放暗屁@cheng
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
神经网络内积
xiaojia_177
08-17 746
  本文首先对Freddyfang的博客所讲到的知识点进行总结，再对神经网络内积粗略描述。   我们一开始接触到了感知机这一概念，即接受多个输入信号，得到一个输出信号。   在将其应用于实践时，我们通过py代码实现了与门、或门、非门。以上均能通过一条直线将一个整体分为两个独立空间。而当我们要实现异或门时，单层感知机已不再适用，除非通过一条曲线将整个空间划为非线性空间。   这样，我们就来到了多层感知机，多层感知机即为多层结构的神经网络。   在感知机中，有数学表达式： y={0,(w1x1+w2x2+b
直白介绍卷积神经网络（CNN）
Python开发者
04-08 3122
（点击上方公众号，可快速关注）编译： Python开发者 -  MentosZ  英文：ujjwalkarn.mehttp://blog.jobbole.com/113819/什么是卷积神经网络，它为何重要？卷积神经网络（也称作 ConvNets 或 CNN）是神经网络的一种，它在图像识别和分类等领域已被证明非常有效。 卷积神经网络除了为机器人和自动驾驶汽车的视觉助力之外，还可以成功识别人脸，物体
【详解】神经网络矩阵的点乘与叉乘（pytorch版）
热门推荐
qq_44722174的博客
03-14 1万+
官方文档 一、点乘 点乘就是对应位置元素相乘（element-wise），可以通过*和torch.mul()函数实现，在神经网络模型中的符号为： 1.1 标量的点乘 示例： a = torch.randint(10,(3,3)) print(a) print(a*2) print(a.mul(a)) 输出： tensor([[9, 3, 1], [3, 7, 3], [4, 8, 3]]) tensor([[18, 6, 2], [ 6, 14, 6],
Hadamard Product（点乘）、Matmul Product（矩阵相乘）和Concat Operation（拼接操作）在神经网络中的应用
weixin_44249746的博客
05-06 806
Hadamard乘积（Hadamard Product），矩阵乘法（Matmul Product）和拼接操作（Concatenation Operation）在神经网络中的使用
PNN论文翻译 - 基于点乘的用户响应神经网络预测（四）
1066196847的博客
09-17 1031
摘要 - 预测用户响应（例如点击次数和转化次数）非常重要，并已在其中使用许多Web应用程序，包括推荐系统，Web搜索和在线广告。这些应用程序中的数据主要是类别特征，包含多个字段;一个典型的表示是将其转换为高维稀疏通过独热编码的二进制特征表示。面对极度稀疏，传统模型可能会限制其从数据中挖掘出的信息，即低阶特征组合。像深度神经网络这样的深层模型，不能直接申请高维输入因为巨大的特征空间。在本文中，我们提...
1.3 神经网络内积
eowyn0406的博客
12-19 934
神经网络内积  图1 一层神经网络（忽略偏置） 如图1所示，是一个简单的一层神经网络，神经网络的层数有不同的叫法，本人使用神经元层数减一的命名方式，图1中只有一个输入层和一个输出层，即两层神经元，因此，称之为一层神经网络。 先不考虑激活函数，用矩阵的形式写出该神经网络： （1）定义输入量为1*2的向量/矩阵； （2）定义输出量为1*3的向量/矩阵； （3）定义权重为2*3的矩阵。 ...
卷积神经网络CNN概述
lovecode2008的博客
08-11 287
卷积神经网络（CNN），通过卷积层与池化层的叠加实现对输入数据的特征提取，最后连接全连接层实现分类。对于图像处理有出色表现，在计算机视觉（CV）中得到了广泛应用。从某种意义上说CNN主要用于图像类数据的处理。 卷积神经网络相比传统的机器学习算法，无须手工提取特征，也不需要使用诸如SIFT之类的特征提取算法来预提取，而是可以在训练中自动完成特征的提取和抽象，并同时进行模式分类，大大降低了应用图像识别的难度。 卷积神经网络是一种具有局部连接、权值共享等特性的深层前馈神经网络，因此是一个静态网络，信息的传递是单向
卷积神经网络（CNN）详细介绍及其原理详解
weixin_42132035的博客
05-23 2278
卷积神经网络通过卷积层和池化层提取输入数据的特征，并通过全连接层进行分类或回归任务。其结构和工作原理使其在图像识别和计算机视觉领域表现出色。希望本文的详细介绍和实例能帮助读者更好地理解CNN的原理和应用。
卷积神经网络（CNN）
qq_43293370的博客
03-14 686
Convolutional Neural Network（卷积神经网络，简称CNN）是一种专门用来处理具有类似网格结构的数据的神经网络，例如时间序列数据（可以认为是在时间轴上有规律地采样形成的一维网格）和图像数据（可以看作是二维的像素网格）。卷积神经网络在诸多应用领域都表现优异，尤其在大型图像处理方面。卷积神经网络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。卷积神经网络包括卷积层和池化层，这两个部分是其核心组件。卷积层负责提取图像的特征，而池化层则用于减少数据的维度。
卷积神经网络概述
fscanf_fread的博客
11-12 2622
引言 “卷积神经网络”表示在网络采用称为卷积的数学运算。卷积是一种特殊的线性操作。卷积网络是一种特殊的神经网络，它们在至少一个层中使用卷积代替一般矩阵乘法。--维基百科 卷积神经网络（Convolutional Neural Network,CNN）是一种前馈神经网络，它的神经元可以响应感受野范围内的其他神经元，在大型图像处理任务中表现出色。 概述 1、神经元模型 如图1所示，典型的生物神经元能感知环境的变化，再将信息传递给其他的神经元，并指令集体做出反应。这个过程依次经过接收、触发、传导和.
卷积神经网络概述及python实现
02-24
对于卷积神经网络（CNN）而言，相信很多读者并不陌生，该网络近年来在大多数领域都表现优异，尤其是在计算机视觉领域中。但是很多工作人员可能直接调用相关的深度学习工具箱搭建卷积神经网络模型，并不清楚其中具体...
cnn卷积神经网络是什么以及学习cnn卷积神经网络的意义
05-10
### CNN卷积神经网络概述及学习意义 #### 一、CNN卷积神经网络定义与特点 CNN（Convolutional Neural Network），即卷积神经网络，是深度学习领域中一种非常重要的模型，尤其适用于处理具有网格结构的数据，如图像...
卷积神经网络概述.pdf
04-23
本文将全面介绍卷积神经网络（CNN）的基本原理、结构、应用以及未来的发展方向。我们将详细探讨CNN的核心概念，如卷积层、池化层和全连接层，并分析它们在图像处理和其他相关领域中的重要性 随着人工智能技术的飞速...
深度学习100问23:什么是前馈型神经网络
yyq916的博客
08-30 845
比如说，如果我们要用它来识别动物图片，输入层就先接收图片的各种颜色呀、形状呀这些信息，然后隐藏层就像一群聪明的小工匠，把这些信息进行加工，最后输出层就告诉我们这是猫还是狗啦。- 它就像一个爱学习的小朋友，通过学习大量的数据样本，就能自动找出数据中的特征和模式。3. 自然语言处理：在文本分类和情感分析这些任务中，它就像一个聪明的小读者，能理解文章的意思，给文章分类，还能判断文章是开心还是难过呢。1. 图像识别：它就像一个有超能力的小侦探，能认出各种物体、可爱的小动物还有漂亮的人脸呢。
14.神经网络的基本骨架 - nn.Module 的使用
shencanggang的博客
08-29 577
Pytorch官网左侧：Python API（相当于package，提供了一些不同的工具）
每天一个数据分析题（五百一十）- 类神经网络
shiguangre的博客
08-30 286
内容涵盖Python，SQL，统计学，数据分析理论，深度学习，可视化，机器学习，Spark八个方向的专项练习题库，数据分析从业者刷题必备神器！类神经网络（ANN），又称人工神经网络，根据计算的连接路径连接信息处理的数学计算模型或者使用。在进行类神经网络之前，数据要如何做准备？B. 将所有类别属性直接用0, 1, 2, 3取代成数值型属性。A. 将所有数值属性转成类别属性。C. 将数据正规化于0到1之间。D. 不需要任何准备。
深度学习（一）-感知机+神经网络+激活函数
最新发布
weixin_40198632的博客
09-02 528
深度学习的特点优点性能更好不需要特征工程在大数据样本下有更好的性能能解决某些传统机器学习无法解决的问题缺点小数据样本下性能不如机器学习模型复杂可解释性弱深度学习与传统机器学习相同点深度学习、机器学习是同一问题不同的解决方法目的相同：都是利用机器自我学习能力，解决软件系统的难题基本问题相同：回归问题、分类问题、聚类问题基本流程相同：数据准备 → 模型选择 → 模型构建/训练 → 评估优化 → 预测问题领域相同：监督学习、非监督学习、半监督学习。
20.神经网络 - 搭建小实战和 Sequential 的使用
shencanggang的博客
08-29 1051
在 PyTorch 中，Sequential 是一个容器（container）类，用于构建神经网络模型。它允许你按顺序（sequential）添加不同的网络层，并将它们串联在一起，形成一个网络模型。这样做可以方便地定义简单的前向传播过程，适用于许多基本的网络结构。Sequential 的优点之一是其简洁性和易读性，特别适用于简单的网络结构。然而，对于更复杂的模型，可能需要使用 PyTorch 的其他模型构建方式，如使用 nn.Module 基类自定义网络结构，以满足更灵活的需求。
深度学习100问27:什么是截断的BPTT
yyq916的博客
08-31 359
截断的 BPTT 呢，先确定一个合适的长度，就好比决定每一小段故事有多长。这种方法在很多地方都大显身手哦，比如自然语言处理里训练语言模型、搞机器翻译的时候，就像一个得力的小助手。想象一下，你有一个超级长的故事要讲，一口气从头讲到尾可太难啦，而且很容易把自己绕晕。这时候呢，截断的 BPTT 就像把这个长故事分成一小段一小段来讲。在循环神经网络训练那些长长的序列数据的时候，如果直接像个“愣头青”一样用传统方法，那计算量会大得吓人，还可能出现梯度消失或者爆炸的情况，就像烟花放一半突然熄火或者炸得不可收拾。
cnn卷积神经网络概述
12-07
CNN，即卷积神经网络（Convolutional Neural Networks），是一种深度学习模型，广泛应用于图像识别、处理和分类任务。它是深度学习领域的一个重要分支，与传统的神经网络相比，CNN通过引入卷积层，可以更好地处理...
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