卷积深入理解

最新推荐文章于 2022-02-23 20:11:33 发布
最新推荐文章于 2022-02-23 20:11:33 发布
阅读量185 收藏
点赞数
分类专栏： 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_47289438/article/details/109677524
版权

1.单个卷积核 -> 单张图

一个5x5x3的卷积核卷积一次，形成一个平面，就是相当于学到“1”个特征
多来几个不同的卷积核，就能学习不同的特征
在这里插入图片描述

所以要有好多个卷积核
we are going to have a set of multiple filters

在这里插入图片描述

we stack these up to get a “new image” of 28x28x6

在这里插入图片描述

2.不同层学习的特征不同

不同的卷积层，学习到的是不同层级的特征，
low_level 可能是边缘啊，之类的
mid 可能是斑点。。

在这里插入图片描述

3.filter参数的计算公式

在这里插入图片描述

4.输出的计算公式

在这里插入图片描述

5.卷积核的个数通常是np.power(2,n)

在这里插入图片描述

如果需要保持图片H、W不变，只需要pad = f/2 即可 stride=1

6.1x1的卷积

在这里插入图片描述

7.步长的设置

取决于你图片的分辨率，和池化类似，但是效果比池化好

8.局部感受野和共享权重

在这里插入图片描述

9.同一空间下的多个neuron

5 个卷积核，都是在同一个空间下作用的

但是学习的特征却是不同的

在这里插入图片描述

10.全连接层

不要忘了
3027x1 如何转换成10x1
这个是矩阵乘法，点积实现的

    W*X   (10,3027)*(3027,1)

在这里插入图片描述

11. Pooling layer

降低采样 downsample

只是在平面区域处理， 不会在深度上

在这里插入图片描述

对于2x2的filter 步长也为2

通常，这里是不会出现overlap的，这么做，是有它的道理的
对于池化层，我们希望downsample，用一个值代替一个区域，然后你再继续滑动，到下一个区域

最大值池化，的结果，就是

一个神经元在这个区域的激发程度或者说一组卷积核的激发程度

整体的话，就是在整个图片上的激发程度，这对于检测问题，是非常有帮助的

在这里插入图片描述

对于pooling层 ，通常设置为s=2 , f = 2 or 3
f = 3 ,s =3
因为我们只希望去做downsample，就不用填充 0

在这里插入图片描述

一开始就是一个低级的特征，每一层级，max_pool后，都代表上一层级的一些特征，
整个图越来越小，深度越来越大，它最终就能完成分类

一开始输入是一张图，卷积一次以后，得到的比如说是边缘图，我们在这个边缘图上检测，得到更高级的特征

当到达最后一个max_podling后，每一个值都代表了在一组复合模板上的激活情况

在这里插入图片描述

池化也不能太多，要是特征都没有了，可能也不利于分类，所以多尝试超参数的组合

12. 演示demo网址

在这里插入图片描述

有一个趋势就是，抛弃池化和FC，多用CONV，这样能做到很deep的网络

图片来源

CS231n

是大糊涂不聪明
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
深入理解卷积神经网络
05-14
以丰富的图文介绍卷积神经网络的原理，给予直觉以让阅读者能更清晰地理解卷积神经网络
一文详解各种卷积操作
最新发布
小白学视觉
09-10 4999
点击上方“小白学视觉”，选择加"星标"或“置顶”重磅干货，第一时间送达文章导读 卷积是深度学习中的重要组成部分，在日常搭建神经网络的过程中我们会遇到各种类型的卷积操作，有2D卷积，3D卷积，分组卷积等等形式。本文针对各种卷积的工作原理、特性和应用进行详细的介绍。目录普通卷积3D卷积扩张卷积分组卷积转置卷积可分离卷积可变形卷积普通卷积在信号处理领域，卷积是两个变量（其中一个变量经过翻转、位移）在某范...
一次卷积计算量
gqixf的博客
09-26 1277
动态卷积过程：        
卷积理解_通道channel的理解
qq_43038592的博客
11-10 747
普通卷积： （10,18,64,64）代表10个文本，每个文本有18张（64,64）的图片，即（180,64,64,1） 故卷积核：'wc1': tf.Variable(tf.truncated_normal([5, 5, 1, 32],stddev=0.02)) 代表的意义是： 32个【5,5,1】的卷积同时进行相同的操作， 即每一个卷积核同180个（64,64）的做卷积之后产生的180个（64...
Tangent Convolutions 切面卷积(切线卷积)
m0_37856424的博客
09-09 978
Tangent Convolutions for Dense Prediction in 3D 这里将要解释何为切面卷积 这张图很好的解释了切面卷积。 （1）取点P做切平面，那切平面取多大？ （2）附近的每个点投影到切平面上，获得投影位置 （3）投影的符号距离就是投影位置的值 这样很好的保留了局部信息，也保留了空间关系和位置信息，这几个真的有必要都保存吗 ...
深入理解卷积
weixin_45454137的博客
09-21 795
从数学角度来看卷积是这样的 卷积是通过两个函数f和g生成第三个函数的一种数学运算，卷积结果可以看作是函数f的修改(过滤)版本。在这个定义中，函数g被称为过滤器filter、卷积函数或卷积核。 第一次看见是在泛函分析，卷积这个东西根本不知道是干什么的有什么用。后来解除了数字图像才明白。 用自然语言举一个物理学中用能量的例子解释：一个物体时刻会受到一个周期性的固定模式的的能量的冲击。并且，物体在受到某个时刻的能量时，会按照一个函数关于时间的函数去变化来自于这个时刻的能量。 更直白的说就是：系统某一时刻
深入剖析卷积神经网CNN
10-04
卷积神经网络（CNN，Convolutional Neural Network）是一种深度学习模型，因其在图像处理领域中的卓越表现而闻名。...深入理解并掌握CNN，对于任何致力于AI领域的学习者来说，都是一项重要的技能。
卷积_卷积_
10-03
卷积是一种在数学、信号处理、计算机科学以及许多其他领域广泛应用的运算。...同时，"卷积.txt"可能包含了更详细的解释或示例，有助于深入理解卷积的实现。而"无用.txt"文件可能与主题无关，可以忽略。
卷积编码_卷积编码_
10-02
不借助MATLAB原生函数实现卷积编码，虽然增加了编程复杂性，但有助于深入理解编码过程和内部机制。通过自行编写算法，可以灵活地调整生成多项式和其他参数，以适应特定的应用场景。在实际应用中，卷积编码常与...
卷积神经网络Python
09-14
卷积神经网络（Convolutional Neural Networks，简称CNN）是一种深度学习模型，特别适用于处理具有网格状结构的数据，如图像。在Python编程语言中，我们可以借助...不断深入理解和实践，将有助于掌握这一强大的工具。
深入理解卷积(卷积核到底要不要翻卷)
一个程序员
02-25 1万+
前言 我最初接触卷积，是在学习tensorflow的时候，其中有一个函数可以实现卷积操作：conv2d()。这个函数实现的功能，简单来说，就是将卷积核在输入的矩阵上平移，对应位置的乘积的和加上一个bias,即为输出。然而，有一天，我突然看到，发现对两个矩阵做卷积运算的时候，作为卷积算子的矩阵要逆时针旋转180度！！！what!!没有人，也没有书，告诉我，卷积除了平移，还有一个翻卷操作。于是，我便开...
卷积(convolution)最容易理解的解释
yh13572438258的博客
02-23 5万+
啰嗦开场白 读本科期间，信号与系统里面经常讲到卷积(convolution)，自动控制原理里面也会经常有提到卷积。硕士期间又学了线性系统理论与数字信号处理，里面也是各种大把大把卷积的概念。至于最近大火的深度学习，更有专门的卷积神经网络(Convolutional Neural Network, CNN)，在图像领域取得了非常好的实际效果，已经把传统的图像处理的方法快干趴下了。啰啰嗦嗦说了这么多卷积，惭愧的是，好像一直以来对卷积的物理意义并不是那么清晰。一是上学时候只是简单考试，没有仔细思考过具体前后的来龙
通俗易懂的理解卷积
Sylvia136655的博客
07-18 8955
通俗易懂的理解卷积在图像上的运用 先来看一个例子： 有这么一副图像，可以看到，图像上有很多噪点 高频信号，就好像平地耸立的山峰：看起来很显眼。平滑这座山峰的办法之一就是，把山峰刨掉一些土，填到山峰周围去。用数学的话来说，就是把山峰周围的高度平均一下。 由此，我们可以把图片转换成矩阵 然后用下面这个平均矩阵（说明下，原图的处理实际上用的是正态分布矩阵，这里为了简单，就用了算术平均矩阵）来平滑图像 比如我要平滑a1,1 点，就在矩阵中，取出a1,1 点附近的点组成矩阵f，和 g进行卷积计算后，再填回去：
理解深度学习中的卷积
wzy的博客
05-13 1万+
译自Tim Dettmers的Understanding Convolution in Deep Learning。有太多的公开课、教程在反复传颂卷积神经网络的好，却都没有讲什么是“卷积”，似乎默认所有读者都有相关基础。这篇外文既友好又深入，所以翻译了过来。文章高级部分通过流体力学量子力学等解释卷积的做法在我看来有点激进，这些领域恐怕比卷积更深奥，所以只需简略看看即可。以下是正文： 卷积
卷积的本质及物理意义（全面理解卷积）
热门推荐
彼岸花
10-14 12万+
卷积的本质及物理意义 提示：对卷积的理解分为三部分讲解1）信号的角度2）数学家的理解（外行）3）与多项式的关系 1 来源 卷积其实就是为冲击函数诞生的。“冲击函数”是狄拉克为了解决一些瞬间作用的物理现象而提出的符号。古人曰：“说一堆大道理不如举一个好例子”，冲量这一物理现象很能说明“冲击函数”。在t时间内对一物体作用F的力，倘若作用时间t很小，作用力F很大，但让Ft的乘积不变，即冲量不变。于
卷积层和全连接层的区别_深入理解卷积层，全连接层的作用意义
weixin_39906245的博客
12-20 4970
有部分内容是转载的知乎的，如有侵权，请告知，删除便是，但由于是总结的，所以不一一列出原作者是who。再次感谢，也希望给其他小白受益。首先说明：可以不用全连接层的。理解1：卷积取的是局部特征，全连接就是把以前的局部特征重新通过权值矩阵组装成完整的图。因为用到了所有的局部特征，所以叫全连接。理解2：从卷积网络谈起，卷积网络在形式上有一点点像咱们正在召开的“人民代表大会制度”。卷积核的个数相当于候选人，...
从入门到精通：卷积神经网络初学者指南
maweifei的博客
09-05 1万+
转载自:http://www.jiqizhixin.com/article/1363?utm_source=tuicool&utm_medium=referral 这是一篇向初学者讲解卷积神经网络的系列文章，机器之心编译了已经发表了的 Part 1 和 Part 2。此系列文章若有更新，机器之心依然会分享给大家。    Part 1：图像识别任务 介绍 卷积
深度学习中的「卷积层」如何深入理解？
深度学习世界
11-30 7945
本文经公众号「雷克世界」授权转载（微信号：ROBO_AI） 原文来源：medium 作者：ApilTamang 「雷克世界」编译：嗯~阿童木呀 多啦A亮 近来，深度学习的火爆程度显而易见，而在深度学习领域，卷积网络则是引起这许多令人惊叹的结果的主要原因。自从2012年AlexNet公开亮相之后，现如今，我们很难列举一个根本不使用卷积架构，具有
理解图像中卷积操作的含义
步步拾遗
10-07 1万+
原文地址：https://blog.csdn.net/chaipp0607/article/details/72236892?locationNum=9&fps=1 上文用生动的例子来解释卷积记载了卷积的含义，现在就来看看卷积在图像处理中的应用吧。（ps：本文大部分内容系转载大神的博客，现在csdn强制图片水印，实在感到很无奈！！！） 数字图像处理中卷积 数字图像是一个二维的离散信号，对...
卷积神经网络 深度学习笔记1
06-19
因此，深入理解和掌握卷积神经网络的基本原理和结构对于深度学习领域的学习者来说至关重要。 在深度学习笔记1中，作者还介绍了卷积神经网络的一些经典结构和应用，例如LeNet、AlexNet和VGG等经典网络的结构和特点。...

“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