B站学习卷积神经网络基础

已于 2023-03-02 08:29:27 修改
阅读量2.7k 收藏 3
点赞数 2
分类专栏： 人工智能算法 文章标签： cnn 学习 深度学习
于 2023-03-01 10:36:33 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_46167190/article/details/129274879
版权

学习卷积神经网络基础

卷积神经网络的介绍按照 卷积神经网络，全连接层，卷积层，池化层进行介绍

卷积神经网络CNN（Convolution Neural Network）

卷积神经网络发展历史

Rumelhart和Hinton等人提出了反向传播（Back Propagation，BP）算法。

LeCun的利用BP算法训练LeNet5网络，标志着CNN的真正面世。（硬件跟不上）

Hinton在他们的Science Paper中首次提出了Deep Learning的概念。

Hinton的学生Alex Krizhevsky在寝室用GPU死磕了一个Deep Learning模型，一举摘下了视觉领域竞赛ILSVRC 2012的桂冠，在百万量级的1mageNet数据集合上，效果大幅度超过传统的方法，从传统的70%多提升到80%多。

全连接层

在这里插入图片描述
BP（back propagation）算法包括信号的前向传播和误差的反向传播两个过程。即计算误差输出时按从输入到输出的方向进行，而调整权值和阈值则从输出到输入的方向进行。

实例:利用BP神经网络做车牌数字识别

在这里插入图片描述
在这里插入图片描述

全连接层

将上面的一维数据，作为全连接层进行输入，对数据采用one-hot编码

one-hot编码示例：
在这里插入图片描述
对完整的神经网络进行训练
在这里插入图片描述

卷积层

在这里插入图片描述
进行图像的特征提取。使用滑动窗口进行计算。
在这里插入图片描述
大大减少了所需要的参数。

卷积和的运算步骤
在这里插入图片描述

卷积层与激活函数

在这里插入图片描述

池化层

在这里插入图片描述

反向传播算法误差计算

在这里插入图片描述

交叉熵损失

在这里插入图片描述

权重更新

在这里插入图片描述
优化器让结果更快的进行收敛
在这里插入片描述

学习资源参考B站的学习资料：附网址：https://www.bilibili.com/video/BV1M7411M7D2/?spm_id_from=333.788&vd_source=0ede55cbcf892303e88597a1332c0593

程序小旭
关注
专栏目录
Keras深度学习实战（7）——卷积神经网络详解与实现
盼小辉丶的博客
06-02 1万+
传统深度前馈神经网络的局限性之一是它并不满足平移不变性，且容易受图像中对象大小的影响。卷积神经网络 (Convolutional Neural Network, CNN) 的提出正是用于解决传统神经网络的这些缺陷。即使对象位于图片中的不同位置或其在图像中具有不同占比，CNN 也能够正确的处理这些图像，因此在对象分类/检测任务中更加有效。本节详细介绍了 CNN 的基本概念与计算流程，同时使用 Keras 构建 CNN 模型识别手写数字。.........
BP 神经网络-从推导到实现(转载b站大神讲解，讲真我没看懂多少)
qq_52122740的博客
08-29 512
链接：【机器学习实战】【python3版本】【代码讲解】_哔哩哔哩_bilibili 1、BP 神经网络结构与原理 由于 BP 神经网络参数超级多，如果不先定义好变量，后面非常难理解，故针对上述图 形，定义如下： (1)n1：表示网络层数，此处为 4 (2) Ll ：表示第l 层， L1 是输入层， l Ln 是输出层，其他为隐含层 (3) l wij ：表示第l +1层第i 个单元与第l 层第 j 个单元的连接权重—必须要记住 (4) bi ：表示第l 层第i 个单...
CNN笔记：通俗理解卷积神经网络
热门推荐
结构之法 算法之道
07-02 84万+
2012年我在北京组织过8期machine learning读书会，那时“机器学习”非常火，很多人都对其抱有巨大的热情。当我2013年再次来到北京时，有一个词似乎比“机器学习”更火，那就是“深度学习”。本博客内写过一些机器学习相关的文章，但上一篇技术文章“LDA主题模型”还是写于2014年11月份，毕竟自2015年开始创业做在线教育后，太多的杂事、琐碎事，让我一直想再写点技术性文章但每每恨时间抽不开。然由于公司在不断开机器学习、深度学习等相关的在线课程，耳濡目染中，总会顺带着学习学习。
卷积神经网络基础知识
weixin_44498476的博客
04-13 1万+
卷积神经网络基础知识:输入输出、网络结构、损失函数和评价指标。
卷积神经网络超详细介绍
呆呆的猫的博客
09-19 61万+
海量的有标记的训练数据，也就是李飞飞团队提供的大规模有标记的数据集ImageNet计算机硬件的支持，尤其是GPU的出现，为复杂的计算提供了强大的支持算法的改进，包括网络结构加深、数据增强（数据扩充）、ReLU、Dropout等AlexNet之后，深度学习便一发不可收拾，分类准确率每年都被刷榜，下图展示了模型的变化情况，随着模型的变深，Top-5的错误率也越来越低，目前已经降低到了3.5%左右，同样的ImageNet数据集，人眼的辨识错误率大概为5.1%，也就是深度学习的识别能力已经超过了人类。
基于 Python中的深度学习：神经网络与卷积神经网络
Why_does_it_work的博客
10-29 9038
深度学习是机器学习的一个分支，通过建立和训练深层神经网络来实现对数据的高级抽象和学习能力。它利用多个处理层级的神经网络模型，实现了从低级特征到高级抽象的逐步提取和学习。深度学习在计算机视觉、自然语言处理、语音识别、人工智能等领域取得了令人瞩目的成果。
深入探究深度学习、神经网络与卷积神经网络以及它们在多个领域中的应用
dvlinker的技术专栏
10-25 2万+
深入探究深度学习、神经网络与卷积神经网络以及它们在多个领域中的应用
卷积神经网络（CNN）基础
AdjsWsgz的博客
10-13 1197
记录一下卷积神经网络的一些基础内容
深度学习基础篇之卷积神经网络（CNN）
Fluentwater的博客
05-19 5486
当然我们也可以灵活搭配各种结构，如卷积层+卷积层、卷积层+卷积层+池化层，这些在构建模型时没有限制。在若干卷积层+池化层后面是全连接层（Fully Connected Layer，简称FC），全连接层实际上就是DNN的结构，输出层采用的是Softmax层做图像的分类。从CNN的结构可以看出，CNN相对于DNN，比较特殊的就是卷积层和池化层，只要把卷积层和池化层的原理搞清楚，那么搞清楚CNN就很容易了。在卷积层后面是池化层（Pooling Layer），这也是CNN特有的网络结构，池化层是没有激活函数的。
深度学习——卷积神经网络
01-20
1. **卷积神经网络基础** - **二维互相关运算**：这是卷积神经网络的基础运算。输入数组和卷积核（也叫滤波器）通过互相关操作交互，卷积核在输入数组上滑动，每个位置的乘积和构成输出数组的一个元素。例如，卷积...
学习笔记：深度学习（3）——卷积神经网络（CNN）理论篇
Morganfs的博客
04-12 10万+
深度学习笔记——CNN卷积神经网络理论篇。主要包括CNN的概念、基本原理、类型综述。算是比较完善的一篇文章了。
PyTorch深度学习实战（11）——卷积神经网络
盼小辉丶的博客
08-14 1万+
卷积神经网络 (Convolutional Neural Network, CNN) 是一种广泛应用的深度学习模型。通过参数共享、局部感知和空间结构等优势，能够更好地处理图像数据，并在图像识别、目标检测和图像生成等任务中展现出强大的能力。在本节中，介绍了卷积的计算方法以及卷积神经网络的基本组件，并使用 PyTorch 构建了卷积神经网络以深入了解其工作原理。
深度学习基础：卷积神经网络与全连接层
AI天才研究院
07-24 654
深度学习基础：卷积神经网络与全连接层 作者：禅与计算机程序设计艺术 / Zen and the Art of Computer Programming 关键词：深度学习，卷积神经网络，全连接层，图像识别，机器学习 1. 背景介绍
ORB-SLAM2源码学习：ORBextractor.cc：IC_Angle 利用灰度质心法求解关键点方向角
2301_76831056的博客
11-01 446
IC_Angle 利用灰度质心法求解关键点方向角并在computeOrientation函数中被调用计算图像中所有特征点的方向。
点云学习笔记3——读取点云文件、进行统计滤波/直通滤波后可视化
qq_64095888的博客
10-29 184
【代码】点云学习笔记3——读取点云文件、进行统计滤波后可视化。
diffusion model 学习笔记
最新发布
wubing's 博客
11-01 602
郎之万公式: 描述了粒子做随机布朗运动 (粒子位置随时间变化的关系), 是一种 SDE, 描述了 由梯度力(即.即我们在无条件模型 DDPM 估计的噪声中添加一个微小的扰动(. 基本上,在采样一半时,基本上预测的。输出的是噪声的估计, 这个估计的噪声。通过上面的公式，我们可以知道，当知道。),就可以作为条件模型的噪声估计.首先,假设我们已经有了一个训练好的。: 每一步中保留的原始信号的比例。的计算有各种不同的方法，). 已经接近于真实的。)影响的系统的时间演化.也就是,我们训练的网络。
jsp web学习二(比较老的啦)
qq_52122048的博客
10-29 1041
JavaBean模式(MVC)适合开发复杂的web应用，在这种模式下，servlet负责处理用户请求，jsp负责数据显示，javabean负责封装数据。Servlet+JSP+JavaBean模式程序各个模块之间层次清晰，web开发推荐采用此种模式。一个良好的JavaWeb项目架构应该具有以上的11个包，这样显得层次分明，各个层之间的职责也很清晰明了，搭建JavaWeb项目架构时，就。
学习力体系
m0_46221544的博客
10-29 343
在一个小镇上，有一位年轻的学者小明，梦想成为一名科 学家。然而，他总是感到学习困难，知识无法长久保持。有一天，他遇到了一位智者，智者告诉他：“学习的力量能够改变命运。”小明意识到，提升学习力是实现梦想的关键，从此开始探索学习方法的旅程。通过以上方法，小明的学习能力不断提升，最后实现了自己的梦想。每个人都可以通过这些方法来加强自身的学习力，迎接更加美好的未来。怎样才能让知识长久保持？如何有效地提升学习力？
人工智能入门要学习多久？
cd_farsight的博客
10-31 222
人工智能是一个快速发展的领域，新的技术和算法不断涌现。这可能需要你定期投入时间，比如每月至少花费几个小时来跟踪最新的研究和发展。如果你是计算机科学或相关专业的学生，或者对计算机科学有较深的兴趣，可能能更快地掌握。实践项目的时间可以因项目的复杂性和范围而异，通常需要几个月的时间来完成。学习人工智能所需的时间可以根据个人的学习速度、目标和深度有所不同。这通常需要几个月的时间，具体取决于个人的数学背景。：Python是进行人工智能学习的主要语言，建议从基础开始学习，这也是一个月左右的时间可以掌握。
深度学习探秘：卷积神经网络解析
此外，PPT中提供的链接指向了一些深度学习和卷积神经网络的在线资源，如B站上的视频教程和 Ryerson 大学的三维CNN可视化工具，这些可以帮助学习者更直观地理解CNN的运作机制。 这个PPT是了解深度学习和卷积神经网络...
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

程序小旭

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