CNN——卷积层

已于 2023-10-31 15:54:22 修改
阅读量58 收藏
点赞数
文章标签： cnn 深度学习 人工智能
于 2023-10-31 15:46:10 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_45957127/article/details/134141603
版权
本文详细介绍了卷积层在IT技术中的作用，包括卷积特征值的计算方法（涉及输入层与卷积核的内积、偏置值及通道处理），参数如滑动窗口步长、边缘填充以及参数共享的概念。它强调了卷积核尺寸、数量和图片尺寸之间的关系。
摘要由CSDN通过智能技术生成

卷积层

卷积层主要作用是提取特征

一、卷积特征值计算方法

  • 输入层与卷积核的内积和+偏置值

3通道计算时RGB分别求内积和，将3个内积和相加得到最终结果+bias

  • 一次卷积得到一个特征图，10个卷积核得到特征图深度为10。input(773)与filter1(333)得到一个特征图，与10个filter卷积得到特征图(5510)深度为10

图片尺寸：H×W×3 chennel代表RGB 3通道
卷积核的C数（7×7×3）要和输入层C数(3×3×3)一致

二、卷积层参数

  1. 滑动窗口步长

步长越小，得到特征图越大越小，得到特征图越大

  1. 边缘填充

弥补边界特征缺失

  1. 卷积核尺寸
  2. 卷积核个数
    在这里插入图片描述

三、卷积参数共享：

  • 对图片每个区域用相同卷积核，防止产生过多特征图
  • 卷积参数个数计算
    在这里插入图片描述
#0824#
关注
pytroch学习笔记六：nn网络层——卷积层
Dear_learner的博客
02-16 4002
通过前面两节的学习，已经知道如何搭建一个网络模型以及搭建模型一个非常重要的类nn.Module和模型容器Containers。搭建网络模型有两个基本的步骤：建立子模块和拼接子模块。建立的子模块就包括卷积层、池化层、激活层和全连接层等。所以这一节就从子模块开始。 一、卷积运算与卷积层 卷积运算：卷积核在输入信号（图像）上滑动，相应位置进行乘加； 卷积层：又称为滤波器，过滤器，可以认为是某种模式，某种特征。 卷积的过程类似于用一个模版去图像上寻找与它相似的区域，与卷积模式越相似，激活值越高，从而实现特征的提取。
C++元编程——CNN卷积层使用ReLu激活和NAdam更新
Dr_Jack的博客
11-16 604
CNN的卷积层在出来时候需要经过ReLu激活函数。基于之前对BP神经网络的研究，于是就想能不能采用NAdam对卷积层进行加速，结果是惊人的，原来训练万次可得结果的卷积层仅需500次更新就可以得到完全精确的结果！以下是输入[1-7]*7的7*7矩阵，输出是[1-9]的3*3矩阵。500次训练后，结果可见是完全一致的！
深度学习入门基础CNN系列——卷积计算
一名在读大学生，正在学习深度学习，会定期分享一些该领域内容。欢迎大家一起交流学习~
01-17 1万+
卷积是数学分析中的一种积分变换的方法，在图像处理中采用的是卷积的离散形式。这里需要说明的是，在卷积神经网络中，卷积层的实现方式实际上是数学中定义的，与数学分析中的卷积定义有所不同，这里跟其他框架和卷积神经网络的教程保持一致，都使用互相关运算作为卷积的定义，具体的计算过程如所示。
图解CNN中的卷积（卷积运算、池化、Padding、多通道的卷积）
coderge's CSDN Blog.
06-27 4282
卷积层是深度学习神经网络中经常使用的一种层。它通过卷积运算来提取输入的特征，常用于图像、语音等信号处理任务中。 卷积层有以下几个参数： 1. 卷积核：卷积层中包含若干个卷积核，每个卷积核都是一个二维权重矩阵。卷积核的大小通常是奇数，比如3x3、5x5等，以便于有一个中心点，可以更好地提取特征。 2. 步长（stride）：指卷积核在输入数据上移动的步长。比如，构建一个3x3的卷积核，步长为2，表示每次卷积操作都会跨越2个像素。 3. 边界填充（padding）：指在输入数据的四周填充一圈像素，以保持卷积
CNN中常用的卷积核：锐化卷积核模板
Qianzhen_Sun的博客
05-09 5616
锐化 将原图像和拉普拉斯图像叠加到一起，便可以得到锐化图像。在图像的边缘处，二阶微分值变化非常大。因此可以用各向同性的拉普拉斯微分算子检测图像中的灰度突变（即边缘）。 各向同性是指先对图像进行旋转再进行滤波处理和先进行滤波处理再旋转的结果是相同的。 拉普拉斯算子的变换： ∇2f=∂2f∂2x+∂2f∂2y \nabla^{2}f = \frac{\partial^{2} f}{\partial^{2} x} + \frac{\partial^{2} f}{\partial^{2} y} ∇2f=∂2x∂2f
CNN中卷积核与卷积运算的前向推导与推导过程
weixin_49805250的博客
10-29 845
@CNN中卷积核与卷积运算的前向推导与推导过程 作者：技术烧 链接：https://www.jianshu.com/p/daaaeb718aed 来源：简书 CNN神经网络算法是常用的模式识别算法，该算法通过卷积运算将图片特征存储到多个卷积核中，卷积核通过算法的反向传输一步步逼近于图片特征，最常用的反向传导方法是BP反向传导方法，采用最速下降法，将结果误差传递到每一个过程参数中，对于该方法在后面会做专门的介绍，本文主要介绍CNN神经网络中卷积步骤的前向与反向传导过程。 为何会专门开这个题目来讨论，因为在很多
NLP-使用tensorflow构建神经网络——卷积层和池化层细节说明
spring_willow的博客
05-04 1646
背景介绍 本文内容是使用CNN进行文本分类，主要记录文本分类问题中使用tensorflow进行神经网络构建的内容。此篇承接上一篇的NLP-使用tensorflow构建神经网络——嵌入层细节部分说明。 目录 背景介绍 目录 一、CNN模型图 二、卷积和池化代码 三、细节说明之tf.truncated_normal;tf.concat；tf.reshape ①tf.truncated...
卷积层硬件实现和优化方法——卜居.pdf
12-01
CNN中的卷积层是其核心组成部分，负责提取输入数据的特征。卷积层的硬件实现和优化方法是实现高效CNN计算的关键。本文将深入探讨卷积层在不同硬件平台上的实现方法以及优化策略。 首先，CNN中的卷积定义是对输入...
CNN入门——CNN各层功能解释
qszirui的博客
11-21 9675
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] 各式各样的卷积核
THE XING
08-19 1875
1.Dilated Convolution/ Atrous Convolution 扩张卷积也有人说是空洞卷积，原文叫做Atrous Convolution。思想非常简单，随着网络的层数越来越多，parameters越来越多，并且maxpooling本身的限制（比如四次maxpooling，那么理论上16x16的图就到了1x1，空间信息全部丢失），google就提出了使用atrous convol...
卷积神经网络之卷积层理解(持续更新)
qq_39940390的博客
09-06 1万+
卷积神经网络中卷积层的理解与代码实现。
CNN卷积神经网络各个层的作用
qq_43750528的博客
04-13 4570
卷积神经网络各个层的作用，包括输入层、卷积层、激活层、池化层、全连接层
CNN网络结构——卷积层
小白一直白
08-09 3638
目录前言局部连接参数共享卷积层卷积运算卷积运算过程——二维卷积运算代码实现——二维卷积层及代码实现——三维代码实现——3D增加步长的卷积运算 前言 发展卷积神经网络的初衷是进行图像分类。图像主要有如下3个特性 多层次结构：如一张人脸由鼻子、嘴巴、眼睛等组成 特征局部性：如眼睛在一张图片中就局限在一个小区域内 平移不变性：如不管眼睛出现在图片的哪个位置，特征提取器都可以找出来 虽然卷积网络是为图像分类而发展起来的，但现在已经被用在各种任务中，如语音识别和机器翻译等。只要信号满足多层次结构、特征局部性
卷积神经网络（CNN）——初学者进
最新发布
qq_61529681的博客
08-07 1704
然而，由于卷积神经网络的实践告诉我们，靠前的卷积层通常只会提取到输入图像的浅层特征，例如条纹，而复杂的深层特征需要深度更深的卷积层才可以提取到。池化层是卷积神经网络中的另一构件，其负责将卷积层传递来的特征图进行特征聚合，以完成进一步地下采样，池化层中没有任何可学习参数，它采用和卷积类似的滑动窗口，保持输出图像的尺寸计算公式不改变，但不进行卷积运算，而是直接取滑动窗口中的最大值或者平均值作为输出结果。对于输入的灰度图像矩阵，卷积层使用具有可学习参数的卷积核对其进行卷积运算以得到该层输出的特征图。
【4】如何理解CNN中的卷积？
03-29 3万+
1、什么是卷积：图像中不同数据窗口的数据和卷积核（一个滤波矩阵）作内积的操作叫做卷积。其计算过程又称为滤波（filter)，本质是提取图像不同频段的特征。2、什么是卷积核：也称为滤波器filter，带着一组固定权重的神经元，通常是n*m二维的矩阵，n和m也是神经元的感受野。n*m 矩阵中存的是对感受野中数据处理的系数。一个卷积核的滤波可以用来提取特定的特征（例如可以提取物体轮廓、颜色深浅等）。通过...
CNN中卷积层的计算细节
weixin_30533797的博客
03-22 3104
原文链接： https://zhuanlan.zhihu.com/p/29119239卷积层尺寸的计算原理输入矩阵格式：四个维度，依次为：样本数、图像高度、图像宽度、图像通道数输出矩阵格式：与输出矩阵的维度顺序和含义相同，但是后三个维度（图像高度、图像宽度、图像通道数）的尺寸发生变化。权重矩阵（卷积核）格式：同样是四个维度，但维度的含义与上面两者都不同，为：卷积核...
深入理解CNN卷积层、池化层、全连接层
热门推荐
qq_40957196的博客
01-08 4万+
深入理解CNN卷积层、池化层、全连接层 文章目录深入理解CNN卷积层、池化层、全连接层卷积层(Convolution)池化层(Pooling)全连接层(Fully connected)全连接层到底什么用？首先三点：接下来再主要谈谈全连接层的意义 东拼西凑看到的各种观点，在此记录一下，谢谢各位大佬，侵删~ 卷积神经网络是通过神经网络反向传播自动学习的手段，来得到各种有用的卷积核的过程。 卷积神经...
CNN卷积各层的参数和链接个数的计算(整合各路博客总结)
梦Dancing的博客
11-16 2万+
参考自：http://blog.csdn.net/dcxhun3/article/details/46878999，但是加入了自己的理解 一、CNN概述 卷积神经网络是一个多层的神经网络，每层由多个二维平面组成（每个层有多个Feature Map，每个Feature Map通过一种卷积滤波器提取输入的一种特征），而每个平面由多个独立神经元组成。 图1 卷积神经网络的概念示范...
深度学习实践：CNN模型与卷积层解析
作者通过代码实例介绍了卷积的基本操作——二维互相关，然后构建了一个简单的二维卷积层，并用梯度下降法进行训练。" 深度学习是一种模拟人脑神经网络的机器学习技术，特别适用于图像、语音等复杂数据的处理。在...
评论 1
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