深度学习---从入门到放弃（六）CNN入门

最新推荐文章于 2022-04-06 16:04:20 发布
最新推荐文章于 2022-04-06 16:04:20 发布
阅读量626 收藏 7
点赞数 3
分类专栏： Pytorch深度学习 文章标签： cnn 深度学习 神经网络 pytorch python
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_46263718/article/details/119811685
版权

深度学习—从入门到放弃（六）CNN入门

1.CNN、RNN引入

  • CNN
    1.主要应用于图像处理，CNN是一种通过卷积计算的前馈神经网络，其是受生物学上的感受野机制提出的，具有平移不变性，使用卷积核，最大的应用了局部信息，保留了平面结构信息。
    2.可以通过在空间上共享参数的形式减小计算资源
  • RNN
    1.主要应用于时序相关的序列问题，比如自然语言处理（自然语言中语句长度通常不固定）。我们会在之后的教程中讲到RNN。
  • DNN
    这里的DNN可以理解为我们之前所学到的简单的神经网络，由输入层，隐藏层和输出层组成，各个神经元分别属于不同的层，每个神经元和前一层的所有神经元相连接，信号从输入层向输出层单向传播。

2.CNN

卷积神经网络（convolutional neural network, 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。卷积网络是指那些至少在网络的一层中使用卷积运算来替代一般的矩阵乘法运算的神经网络。

2.1卷积和边缘检测

2.1.1卷积

从本质上讲，卷积只是将一个矩阵（称为kernel或filter）与其他一些更大的矩阵（在我们的例子中是图像的像素）重复相乘。
在这里插入图片描述
上图是一次卷积过程的例子，通过改变filter的大小和滑动的步长均可以得到不同的卷积结果。

  • 为了更好理解卷积的意义，在这里我们引入权值共享的概念，权值共享简单理解就是在现有filter的滑动过程中网络中的权值相同，即第一个隐藏层所有的神经元从输入层探测(detect)到的是同一种特征(feature)，只是从输入层的不同位置探测到(图片的中间，左上角，右下角等等)

不难看出，在CNN中一个filter只能提取一种空间特征，那么这么做的意义又在哪呢？

  • 权值共享可以大大减少模型参数的个数，从而降低计算负担
    在这里插入图片描述
2.1.2卷积输出大小

计算卷积之后输出的形状将如何改变？当你知道输入矩阵和卷积核的形状时，输出的形状是什么？

  • 输 出 = 输 入 − 卷 积 核 + 1 输出=输入-卷积核+1 输出=输入−卷积核+1
2.1.3 在 PyTorch 中演示卷积

看看下面的代码。在其中，我们定义了一个Net类，您可以使用内核实例化该类以创建神经网络对象。当您将网络对象应用于图像（或矩阵形式的任何东西）时，它会在该图像上对内核进行卷积。

class Net(nn.Module):
  """
 在这里我们定义了一个CNN的类
 如果我们选定了相应的卷积核，可以调用该类实现对于图像的卷积
  i.e. Net(kernel)(image)
  """
  def __init__(self, kernel=None, padding=0):
    super(Net, self).__init__()
    # Summary of the nn.conv2d parameters (you can also get this by hovering
    # over the method):
    # in_channels (int): Number of channels in the input image
    # out_channels (int): Number of channels produced by the convolution
    # kernel_size (int or tuple): Size of the convolving kernel
    # padding (int or tuple, optional): padding主要应用于边缘检测的场景中
    self.conv1 = nn.Conv2d(in_channels=1, out_channels=1, kernel_size=2, \
                           padding=padding)

    # set up a default kernel if a default one isn't provided
    if kernel is not None:
      dim1, dim2 = kernel.shape[0], kernel.shape[1]
      kernel = kernel.reshape(1, 1, dim1, dim2)

      self.conv1.weight = torch.nn.Parameter(kernel)
      self.conv1.bias = torch.nn.Parameter(torch.zeros_like(self.conv1.bias))

  def forward(self, x):
    x = self.conv1(x)
    return x
    
# Format a default 2x2 kernel of numbers from 0 through 3
kernel = torch.Tensor(np.arange(4).reshape(2, 2))
# Prepare the network with that default kernel
net = Net(kernel=kernel, padding=0).to(DEVICE)

# set up a 3x3 image matrix of numbers from 0 through 8
image = torch.Tensor(np.arange(9).reshape(3, 3))
image = image.reshape(1, 1, 3, 3).to(DEVICE) # BatchSizeXChannelsXHeightXWidth

print("Image:\n" + str(image))
print("Kernel:\n" + str(kernel))
output = net(image) # Apply the convolution
print("Output:\n" + str(output))

Image:
tensor([[[[0., 1., 2.],
[3., 4., 5.],
[6., 7., 8.]]]])
Kernel:
tensor([[0., 1.],
[2., 3.]])
Output:
tensor([[[[19., 25.],
[37., 43.]]]], grad_fn=)

我们可以从结果中发现输入大小为 3×3，输出大小为 2×2。这是因为内核无法为图像的边缘生成值 - 当它滑动到图像的末端并以边界像素为中心时，它会重叠图像外未定义的空间。如果我们不想丢失这些信息，我们将不得不在边框上用一些默认值（例如 0）填充图像。可以预见，这个过程被称为padding。
在这里插入图片描述
上图中灰色部分即为用默认值填充的像素。基于padding的这种特性，它也被用于边缘检测。

  • padding将默认值添加到图像的外边缘
  • 步长调整过滤器在每次卷积后移动的距离。

2.2池化和下采样

在讲池化之前，我们先来回顾下之前讲的卷积中的过滤器，通过卷积之后的图像的信息不会发生变化，依旧保持全局不变性，那么想象一个场景：如果我们想要应用CNN去识别车辆，那么面对不同车辆轮胎大小不同的这种情况，我们当然不希望我们的网络仅仅因为轮胎大小这种局部微小差异进行分类。此时应用池化可以减小局部识别敏感度，即池化可以带来局部不变性。

2.2.1 案例引入
1.数据准备

为了可视化 CNN 的各个组件，我们将逐步构建一个简单的 CNN。我们将使用 EMNIST 字母数据集，它由手写字符的二值化图像组成(A,…,Z)。我们将训练一个 CNN 对图像进行分类X或 O。
在这里插入图片描述

2.同时应用多个卷积核进行卷积
class Net2(nn.Module):
  def __init__(self, padding=0):
    super(Net2, self).__init__()
    self.conv1 = nn.Conv2d(in_channels=1, out_channels=3, kernel_size=5,
                           padding=padding)

    # 第一个卷积核 - 主对角线
    kernel_1 = torch.Tensor([[[ 1.,  1., -1., -1., -1.],
                              [ 1.,  1.,  1., -1., -1.],
                              [-1.,  1.,  1.,  1., -1.],
                              [-1., -1.,  1.,  1.,  1.],
                              [-1., -1., -1.,  1.,  1.]]])

    # 第二个卷积核 - 其他对角线
    kernel_2 = torch.Tensor([[[-1., -1., -1.,  1.,  1.],
                              [-1., -1.,  1.,  1.,  1.],
                              [-1.,  1.,  1.,  1., -1.],
                              [ 1.,  1.,  1., -1., -1.],
                              [ 1.,  1., -1., -1., -1.]]])

    # 第三个卷积核 - 棋盘样方格图案
    kernel_3 = torch.Tensor([[[ 1.,  1., -1.,  1.,  1.],
                              [ 1.,  1.,  1.,  1.,  1.],
                              [-1.,  1.,  1.,  1., -1.],
                              [ 1.,  1.,  1.,  1.,  1.],
                              [ 1.,  1., -1.,  1.,  1.]]])


    # Stack all kernels in one tensor with (3, 1, 5, 5) dimensions
    multiple_kernels = torch.stack([kernel_1, kernel_2, kernel_3], dim=0)

    self.conv1.weight = torch.nn.Parameter(multiple_kernels)
    # Negative bias
    self.conv1.bias = torch.nn.Parameter(torch.Tensor([-4, -4, -12]))

  def forward(self, x):
    x = self.conv1(x)
    return x

在这里插入图片描述
从上图中我们不难看出，这些过滤器被定制为对 X的响应较强；对角边缘滤波器强调
组成X的两条对角线，棋盘格图案对X的中心。

3.卷积后的 ReLU

到目前为止，我们已经讨论了卷积运算，它是线性的。但是神经网络的真正优势来自于非线性函数的结合。此外，在现实世界中，我们经常遇到输入和输出之间的关系是非线性和复杂的学习问题。

ReLU（修正线性单元）将非线性引入我们的模型，使我们能够学习更复杂的函数，可以更好地预测图像的类别。 有关ReLU在之前的教程中有所提及，这里不再赘述。

class Net3(nn.Module):
  def __init__(self, padding=0):
    super(Net3, self).__init__()
    self.conv1 = nn.Conv2d(in_channels=1, out_channels=3, kernel_size=5,
                           padding=padding)

    # 第一个卷积核 - 主对角线
    kernel_1 = torch.Tensor([[[ 1.,  1., -1., -1., -1.],
                              [ 1.,  1.,  1., -1., -1.],
                              [-1.,  1.,  1.,  1., -1.],
                              [-1., -1.,  1.,  1.,  1.],
                              [-1., -1., -1.,  1.,  1.]]])

    # 第二个卷积核 - 其他对角线
    kernel_2 = torch.Tensor([[[-1., -1., -1.,  1.,  1.],
                              [-1., -1.,  1.,  1.,  1.],
                              [-1.,  1.,  1.,  1., -1.],
                              [ 1.,  1.,  1., -1., -1.],
                              [ 1.,  1., -1., -1., -1.]]])

    # 第三个卷积核 - 棋盘样方格图案
    kernel_3 = torch.Tensor([[[ 1.,  1., -1.,  1.,  1.],
                              [ 1.,  1.,  1.,  1.,  1.],
                              [-1.,  1.,  1.,  1., -1.],
                              [ 1.,  1.,  1.,  1.,  1.],
                              [ 1.,  1., -1.,  1.,  1.]]])


    # Stack all kernels in one tensor with (3, 1, 5, 5) dimensions
    multiple_kernels = torch.stack([kernel_1, kernel_2, kernel_3], dim=0)

    self.conv1.weight = torch.nn.Parameter(multiple_kernels)
    # Negative bias
    self.conv1.bias = torch.nn.Parameter(torch.Tensor([-4, -4, -12]))

  def forward(self, x):
    x = self.conv1(x)
    x = F.relu(x)#引入ReLU
    return x

在这里插入图片描述
引入ReLU之后我们的过滤器对于X的响应变得更为明显，提取的三个空间特征也完美的展现出来了，因此利用ReLU可以更好的进行图像的识别。

2.2.2 池化

卷积层创建特征图，总结输入中特定特征（例如边缘）的存在。然而，这些特征图记录了特征在输入中的精确位置。这意味着图像中对象位置的微小变化可能会导致非常不同的特征图。 因此我们需要实现平移不变性。

解决此问题的常用方法称为下采样。下采样创建图像的较低分辨率版本，保留大型结构元素并删除一些可能与任务不太相关的精细细节。在 CNN 中，最大池化和平均池化用于下采样。这些操作缩小了隐藏层的大小，并产生了更具平移不变性的特征，后续层可以更好地利用这些特征。

与卷积层一样，池化层具有固定形状的窗口（池化窗口），它们系统地应用于输入。与过滤器一样，我们可以更改窗口的形状和步幅的大小。而且，就像过滤器一样，每次我们应用池化操作时，我们都会产生一个输出。

池化执行一种信息压缩，为输入的邻域提供汇总统计信息。经过池化后，大大减少了我们学到的特征值，也就大大减少了后面网络层的参数

  • 在 Maxpooling 中，我们计算池化窗口中所有像素的最大值。
  • 在 Avgpooling 中，我们计算池化窗口中所有像素的平均值。

在这里插入图片描述
上图为一个max-pooling的实例。

2.2.3 实现 MaxPooling

现在让我们在 PyTorch 中实现 MaxPooling，并观察 Pooling 对输入图像维度的影响。对 MaxPooling 层使用大小为 2 且步长为 2 的内核。

class Net4(nn.Module):
  def __init__(self, padding=0, stride=2):
    super(Net4, self).__init__()
    self.conv1 = nn.Conv2d(in_channels=1, out_channels=3, kernel_size=5,
                            padding=padding)

    # first kernel - leading diagonal
    kernel_1 = torch.Tensor([[[ 1.,  1., -1., -1., -1.],
                              [ 1.,  1.,  1., -1., -1.],
                              [-1.,  1.,  1.,  1., -1.],
                              [-1., -1.,  1.,  1.,  1.],
                              [-1., -1., -1.,  1.,  1.]]])

    # second kernel - other diagonal
    kernel_2 = torch.Tensor([[[-1., -1., -1.,  1.,  1.],
                              [-1., -1.,  1.,  1.,  1.],
                              [-1.,  1.,  1.,  1., -1.],
                              [ 1.,  1.,  1., -1., -1.],
                              [ 1.,  1., -1., -1., -1.]]])

    # third kernel -checkerboard pattern
    kernel_3 = torch.Tensor([[[ 1.,  1., -1.,  1.,  1.],
                              [ 1.,  1.,  1.,  1.,  1.],
                              [-1.,  1.,  1.,  1., -1.],
                              [ 1.,  1.,  1.,  1.,  1.],
                              [ 1.,  1., -1.,  1.,  1.]]])


    # Stack all kernels in one tensor with (3, 1, 5, 5) dimensions
    multiple_kernels = torch.stack([kernel_1, kernel_2, kernel_3], dim=0)

    self.conv1.weight = torch.nn.Parameter(multiple_kernels)
    # Negative bias
    self.conv1.bias = torch.nn.Parameter(torch.Tensor([-4, -4, -12]))
    self.pool = nn.MaxPool2d(kernel_size=2, stride=stride)#应用max-pooling

  def forward(self, x):
    x = self.conv1(x)
    x = F.relu(x)
    x = self.pool(x)  # pass through a max pool layer
    return x

在这里插入图片描述
我们可以观察到输出的大小是在 ReLU 部分之后看到的大小的一半，这是由于 Maxpool 层造成的。尽管输出的大小减少了，但输出中的重要或高级特征仍然保持不变。

3.构建一个CNN网络

3.1CNN五种结构组成

  • 输入层：输入层一般代表了一张图片的像素矩阵。可以用三维矩阵代表一张图片。三维矩阵的长和宽代表了图像的大小，而三维矩阵的深度代表了图像的色彩通道。[Channels, Height, Width]
  • 卷积层(Convolution Layer)
  • 池化层(Pooling Layer)
  • 全连接层:在经过多轮卷积层和池化层的处理之后，在CNN的最后一般会由1到2个全连接层来给出最后的分类结果。
    在这里插入图片描述
    注：池化层到全连接层需要进行flatten的操作
  • Softmax层:通过Softmax层，可以得到当前样例属于不同种类的概率分布。

3.2 网络架构

卷积 nn.Conv2d(in_channels=1, out_channels=32, kernel_size=3)
卷积 nn.Conv2d(in_channels=32, out_channels=64, kernel_size=3)
池化层 nn.MaxPool2d(kernel_size=2)
全连接层 nn.Linear(in_features=9216, out_features=128)
全连接层 nn.Linear(in_features=128, out_features=2)

class EMNIST_Net(nn.Module):
  def __init__(self):
    super(EMNIST_Net, self).__init__()
    #输入图像的大小为 [28, 28]
    #输入的图像Chanel=1，卷积之后产生的filter个数为32，卷积核为3*3
    self.conv1 = nn.Conv2d(1, 32, 3)
    #输入的图像Chanel=32，卷积之后产生的filter个数为64，卷积核为3*3
    self.conv2 = nn.Conv2d(32, 64, 3)
    #两次卷积后的图像大小变为28-3+1-3+1=24->[24,24]，max-pooling并引入ReLU之后输出大小变为原来的一半即[12,12]，此时图像大小为12*12=128
    #我们希望在传递线性层之前展平卷积层的输出，从而将形状 [BatchSize, Channels, Height, Width] 的输入转换为 [BatchSize, Channels\*Height\ *Width]，在这种情况下，从 [32, 64, 12, 12]（第二个卷积层的输出）到 [32, 64*12*12] = [32, 9216]。
    self.fc1 = nn.Linear(9216, 128)
    self.fc2 = nn.Linear(128, 2)#最终类别个数为2
    self.pool = nn.MaxPool2d(2)

  def forward(self, x):
    x = self.conv1(x)
    x = F.relu(x)
    x = self.conv2(x)
    x = F.relu(x)
    x = self.pool(x)
    x = torch.flatten(x, 1)
    x = self.fc1(x)
    x = F.relu(x)
    x = self.fc2(x)
    return x


# add event to airtable
atform.add_event('Coding Exercise 4: Implement your own CNN')

## Uncomment the lines below to train your network
emnist_net = EMNIST_Net().to(DEVICE)
print("Total Parameters in Network {:10d}".format(sum(p.numel() for p in emnist_net.parameters())))
train(emnist_net, DEVICE, train_loader, 1)

在这里插入图片描述
欢迎大家关注公众号奇趣多多一起交流！
在这里插入图片描述
深度学习—从入门到放弃(一)pytorch基础
深度学习—从入门到放弃（二）简单线性神经网络
深度学习—从入门到放弃（三)多层感知器MLP
深度学习—从入门到放弃（四）优化器
深度学习—从入门到放弃（五）正则化

佩瑞
关注
  • 3
    点赞
  • 踩
  • 7
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 1
    评论
专栏目录
深度学习入门-源码-斋藤康逸
08-25
《深度学习入门-源码-斋藤康逸》是一份深度学习的学习资源，包含了斋藤康逸关于深度学习基础知识和实践的源代码。这个压缩包包含的文件夹主要有`common`、`ch02`至`ch08`、`.idea`、`dataset`和`ch04`至`ch07`，每个...
深度学习+NN-DNN-CNN-RNN-基础理解
最新发布
08-27
深度学习是一种人工智能领域的核心技术，它基于神经网络模型，模拟人脑的工作原理，通过学习大量数据来自动识别模式、解决问题。...了解并掌握这些模型的基本原理和应用场景，是深度学习入门学习的关键。
Cnn 卷积神经网络（入门）
derder的博客
07-19 1218
CNN 卷积神经网络【1】导论【2】卷积运算什么是卷积？图像上的卷积【3】非线性激活ReLU激励层【4】pooling池化层【5】全连接层【6】神经网络的训练与优化 【1】导论 首先最需要明确的一点就是，卷积神经网络，也就是convolutional neural networks （简称CNN），现在已经被用来应用于各个领域，物体分割啦，风格转换啦，自动上色啦blahblah，但是！！CNN真正能做的，只是起到一个特征提取器的作用！所以这些应用，都是建立在CNN对图像进行特征提取的基础上进行的。 我们先
CNN入门及详解
perfectzxiny的博客
09-26 1396
CNN(卷积神经网络)详解 CNN有三个几本思想，局部感受野(local receptive fields) 权值共享(shared weights) 池化(pooling) DNN全连接神经网络另学 下面是一个三个hidden layer的网络结构图 盗图1 输入层784个神经元，这里我们还原图片原来的样子(28*28)，如下图 盗图2 第一个隐藏层的神经元只与局部区域输入层的神经元相连。下图就是第一个隐藏层的某个神经元与局部区域输入层的神经元相连的情况。 盗图3 这里的局部区域就是局部感受野，它像
大话卷积神经网络CNN原理
Peter_Changyb的博客
11-09 617
CNN到底是怎么识别的？用CNN有哪些优势呢？我下面就来简单分析一下。 为什么要用神经网络？ 对于同一个分类任务，我们可以用机器学习的算法来做，为什么要用神经网络呢？大家回顾一下，一个分类任务，我们在用机器学习算法来做时，首先要明确feature和label，然后把这个数据"灌"到算法里去训练，最后保存模型，再来预测分类的准确性。但是这就有个问题，即我们需要实现确定好特征，每一个特征即为一个维.........
CNN入门手册（推荐）
snwang_miss的博客
08-09 918
卷积？神经？网络？教你从读懂词语开始了解计算机视觉识别最火模型 | CNN入门手册（上）（来自大数据文摘微信公众号）步长？填充？池化？教你从读懂词语开始了解计算机视觉识别最火模型 | CNN入门手册（中） 这是我看的一篇写得最易懂的一篇文章，虽然易懂，但是干货却一点儿都没少。
CNN初步认识（局部感知、权值共享）
09-18 2909
CNN是深度学习在图像领域的一个应用。那么它相对于原来的神经网络方法有什么不同？为什么它适用于图像领域？ 原来：全连接神经网络 需要的参数过多，例如1000*1000的图像，则输入层有10^6个节点，若隐藏层也有10^6个节点，则输入层到隐藏层的参数有10^12个。 CNN：局部感知、权值共享 CNN用局部感知和权值共享大大减少了参数，同时还具备其它优点。它们与自然图像自...
动手入门深度学习笔记-CNN模型以及进阶模型
01-20
卷积神经网络（CNN，Convolutional Neural Network）是一种广泛应用于图像识别、计算机视觉和自然语言处理等领域的深度学习模型。CNN的特点在于其利用卷积层来捕获输入数据的空间结构，尤其对于图像数据，能够有效地...
深度学习从入门到精通体系课
08-09
本课程"深度学习从入门到精通体系课"是一套全面且最新的2022年教程，旨在帮助学习者系统地掌握深度学习的核心概念和技术。 首先，入门阶段通常会介绍深度学习的基本理念，包括神经网络的基础结构，如输入层、隐藏层...
深度学习与PyTorch入门实战教程-卷积神经网络CNN.rar
04-07
本教程将帮助初学者快速入门深度学习，特别是PyTorch中的CNN应用。 在PyTorch中，CNN的核心概念包括卷积层（Conv2d）、池化层（MaxPool2d）、激活函数（如ReLU）、全连接层（Linear）以及损失函数和优化器。卷积层...
cnn-实现手写数据集分类
04-22
cnn-实现手写数据集分类，cnn-实现手写数据集分类，cnn-实现手写数据集分类
EMNIST：旨在探索CNN和RCNN在对EMNIST数据集进行分类方面的有效性的项目
02-05
恩尼斯 由@coopss开发 描述 该项目旨在探索卷积神经网络（CNN）的特性，并了解它们与递归卷积神经网络（RCNN）的比较。 这是受到我阅读的启发，该详细介绍了RCNN在对象识别中的效果，甚至表现出与CNN相对较少的参数。 除了探索CNN / RCNN有效性，我建立了一个简单的接口，以测试更具挑战的数据集（而不是在） 当前实施 多栈CNN Web小程序测试环境 兼容触摸屏 当字母占画布的大部分时，效果最佳 读入.mat文件 当前正在对培训（直接下载链接） 查看以获取更多信息 去做 用新的webapp更新gif 训练更多模型 神经网络 优化超参数 在输入中添加噪声（高斯或类似）图层，以
CNN网络识别Mnist的源码，有详细注释，非常适合新手入门
03-27
该代码是在学习深度学习的过程中，自行编写的代码，利用cnn网络来对mnist手写字符进行高精度的识别，并加入了详细的注释，非常适合作为初次接触深度学习的新手入门。欢迎下载。
[note] 深度学习 tensorflow 笔记(3) cnn 卷积神经网络
matrixdodo
08-08 3708
假设我们想要辨识一张图片里面是不是有猫咪的存在。 这只猫咪可以在图片的任何位置。 什么办法才能辨别这个图片里面有没有猫呢？ 一个很简单的想法就是：将图片分成一些子图片的集合，逐个辨别子图片里面有没有猫咪。 的确，卷积神经网络就是这样做的。 但是，分割好后如何辨别子图片有没有猫咪呢？ 这就要看卷积的作用了，图片是二维数组（这里指的是灰度图像），即二维离散变量。 卷积能将其中的特征提取出
卷积神经网络（CNN）之一维卷积、二维卷积、三维卷积详解
ChasingdreamLY的博客
10-09 7358
由于计算机视觉的大红大紫，二维卷积的用处范围最广。因此本文首先介绍二维卷积，之后再介绍一维卷积与三维卷积的具体流程，并描述其各自的具体应用。 1. 二维卷积 图中的输入的数据维度为14×1414×14，过滤器大小为5×55×5，二者做卷积，输出的数据维度为10×1010×10（14−5+1=1014−5+1=10）。如果你对卷积维度的计算不清楚，可以参考我之前的博客吴恩达深度学习笔记（...
卷积神经网络（CNN）的整体框架及细节（详细简单）
热门推荐
小林学编程的博客
04-06 8万+
详细简单的介绍卷积神经网络（CNN)，让读者快速掌握！！！
三维CNN：收集一些最近的3d卷积网络PointNet++
wishchinYang的专栏
03-22 1万+
受限于点云本身的无序性，不同设备在不同位置扫描物体所获得的数据不尽相同，数据难以通过端到端方法来处理；点云本身也面临数据缺失的问题，比如被扫描模型往往会被遮挡。 针对无序点云数据的深度学习方法研究，目前进展还相对缓慢。在 CVPR 2017 上，斯坦福大学提出的 PointNet 是第一种直接处理无序点云数据的深度神经网络。团队通过在每个点训练一个 MLP，把每个点投...
深度学习tensorflow入门-CNN
DavenCheung
12-08 4954
请支持原文博客地址 BlogCNN简介这里对CNN只做非常简单的介绍，具体的细节，后面的博文会讲到。CNN代表的是Convolutional Neuron Network，这里的Convolution指的卷积，主要是用来对图片的进行进行降维，除了卷积，还有一个pooling的操作，作用也是用来将维的，不过两者的原理不同。其实一开始训练的图片的时候，一般都直接使用我们的一片教程那样的方法，将层数增多
Convolutional Neural Networks: Application
weixin_34128839的博客
11-21 206
Andrew Ng deeplearning courese-4:Convolutional Neural Network Convolutional Neural Networks: Step by Step Convolutional Neural Networks: Application Residual Networks Autonomous driving - Car detecti...
深度学习入门：从CNN到ImageNet
在深度学习中，数据逐层经过多个神经网络层，每个层次学习不同的特征，从而实现从原始输入到高级抽象表示的转换。 卷积神经网络（CNN）是深度学习的一个重要分支，尤其适合图像处理任务。CNN的特点在于其卷积层和...

“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 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

打赏作者

佩瑞

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