卷积神经网络详细介绍

最新推荐文章于 2024-01-31 14:51:42 发布
最新推荐文章于 2024-01-31 14:51:42 发布
阅读量353 收藏 3
点赞数 1
文章标签： cnn 深度学习 神经网络
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_50247958/article/details/130954060
版权

卷积神经网络总述


在这里插入图片描述

一、激活函数

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

二、损失函数

在这里插入图片描述
神经网络的目标就是找到某套参数，使得计算出来的结果y与已知标准答案y_无限接近。即差距loss值最小。

三、优化器

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

写代码

在这里插入图片描述

Sequential

在Sequential中搭建网络结构，逐层描述每层网络 相当于走了一遍前向传播
Sequential可以认为是一个容易，这个容器中封装了一个神经网络结构，在Sequential中要描述从输入层到输出层每一层的结构

在这里插入图片描述
1、拉直层：这一层不含计算，只是形状转换，把输入特征拉直变成一维数组。
在这里插入图片描述
metrics：告知网络评测指标
在这里插入图片描述
在这里插入图片描述

四、卷积计算过程

在这里插入图片描述
单通道：
对应位置参数相乘，相加，再加上偏置项b
在这里插入图片描述
三通道
在这里插入图片描述
动图
见视频【北京大学】TensorFlow2.0

在这里插入图片描述

1）感受野

感受野是指输出特征图中的每个像素点，在原始输入图片上映射区域大小。
在这里插入图片描述

2）全零填充

采用全零填充可以不改变输出特征图的大小。

3） 批标准化（Batch Normalization ，BN）

神经网络对0附近的数据更敏感。但是随着网络层数的增加，特征数据会出现偏离零均值的情况。
标准化：使数据符合0均值，1为标准差的分布。把偏移的数据重新拉回到0附近
批标准化：对一小批数据（batch），做标准化处理。使数据回归标准正太分布

常用在卷积操作和激活操作之间。

4）池化

用于减少卷积神经网络中特征数据量。
最大池化可以提取图片纹理，均值池化可保留背景特征。
在这里插入图片描述

5）舍弃 Dropout

在神经网络训练时，将一部分神经元按照一定概率从神经网络中暂时舍弃。神经网络使用时，被舍弃的神经元恢复链接。

在这里插入图片描述
在这里插入图片描述

799星辰
关注
  • 1
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
卷积神经网络CNN详细介绍
04-08
卷积神经网络CNN详细介绍，网络资源整合
卷积神经网络 Convolutional Neural Network ｜ CNN
JasonH2021的博客
07-07 2万+
介绍了卷积神经网络的基本思想，应用场景，优缺点，建模过程中的注意事项，研究课题，实现的类库方法和代码案例等
卷积神经网络（CNN）超详细介绍
weixin_44021149的博客
03-22 5万+
文章转自：https://blog.csdn.net/jiaoyangwm/article/details/80011656 文章目录 1、卷积神经网络的概念2、 发展过程3、如何利用CNN实现图像识别的任务4、CNN的特征5、CNN的求解6、卷积神经网络注意事项7、CNN发展综合介绍8、LeNet-5结构分析9、AlexNet10、ZFNet10.1 意义10.2 实现方法10.3 训练细节10.4 卷积网络可视化10.6 总结 11、VGGNet11.1 结构11.2 网络特点：11.3 分
CNN基础知识笔记
zxmyoung的博客
10-24 1万+
1. 卷积神经网络的概念 上世纪60年代，Hubel等人通过对猫视觉皮层细胞的研究，提出了感受野这个概念，到80年代，Fukushima在感受野概念的基础之上提出了神经认知机的概念，可以看作是卷积神经网络的第一个实现网络，神经认知机将一个视觉模式分解成许多子模式（特征），然后进入分层递阶式相连的特征平面进行处理，它试图将视觉系统模型化，使其能够在即使物体有位移或轻微变形的时候，也能完成识别。 卷积神经网络是多层感知机（MLP）的变种，由生物学家休博尔和维瑟尔在早期关于猫视觉皮层的研究发展而来，视觉皮层的
卷积神经网络超详细介绍
热门推荐
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。
卷积神经网络（CNN）详细介绍及其原理详解
IronmanJay的博客
01-14 15万+
本文总结了关于卷积神经网络（CNN）的一些基础的概念，并且对于其中的细节进行了详细的原理讲解，通过此文可以十分全面的了解卷积神经网络（CNN），非常适合于作为Deep Learning的入门学习。下面就是本篇博客的全部内容！
基于卷积神经网络的人脸识别
06-15
人脸识別技术是一种广泛应用的身份验证方法，而基于卷积神经网络（CNN）的深度学习算法在这一领域取得了显著的进步。本项目聚焦于使用Python编程语言实现基于CNN的卷积神经网络进行人脸识别。以下是对相关知识点的...
卷积神经网络的训练流程图
08-23
下面详细介绍卷积神经网络的训练流程以及梯度下降法在其中的应用。 首先，CNN的训练流程开始于网络初始化，这一步骤包括设置网络的初始参数，比如卷积核的权重和偏置值。这些初始参数通常是通过某种随机方式生成的...
卷积神经网络
02-24
这些计算机视觉解决方案的核心是卷积神经网络(CNN)。简单来讲，这些网络是特别善于根据不太复杂的特征构建复杂特征的神经网络。一个经典的例子就是人脸检测器，早期各层负责辨别出垂直和水平线，后面的阶段负责找到...
吴恩达卷积神经网络介绍.rar
07-29
卷积神经网络（Convolutional Neural Networks，简称CNN）是一种深度学习模型，广泛应用于计算机视觉领域，如图像分类、目标检测、图像语义分割等。吴恩达是人工智能和机器学习领域的知名专家，他提供了丰富的教育...
【计算机视觉】万字长文详解：卷积神经网络
最新发布
Yaoyao2024的博客
01-31 6522
如果输入层和隐藏层和之前一样都是采用全连接网络，参数过多会导致过拟合问题，其次这么多的参数存储下来对计算机的内存要求也是很高的解决这一问题，就需要用到——卷积神经网络这是一种理解卷积的角度（至少在吴恩达老师这个教学视频中是），也是我之前没有想到的。其实在该刚开始接受卷积神经网络时，我一直很想弄清卷积的真正含义，为此也学习了一些，后续有打算写一个博客专门讲卷积的含义，敬请期待！需要注意两点池化层的超参数是人工设定的，不需要通过训练从而学习得到。
卷积神经网络(CNN)
顺其自然~专栏
01-12 5875
卷积神经网络是多层感知机(MLP)的变种，由生物学家休博尔和维瑟尔在早期关于猫视觉皮层的研究发展而来，视觉皮层的细胞存在一个复杂的构造，这些细胞对视觉输入空间的子区域非常敏感，称之为感受野。CNN由纽约大学的Yann Lecun于1998年提出(LeNet-5)，其本质是一个多层感知机，成功的原因在于其所采用的局部连接和权值共享的方式：一方面减少了权值的数量使得网络易于优化；另一方面降低了模型的复杂度、减小了过拟合的风险。当网络的输入为图像时，这些优点将表现地更加明显。
经典卷积神经网络详解（AlexNet、VGG、NiN、GoogLeNet、ResNet、DenseNet、CSPNet、Darknet、EfficientNet、SqueezeNet..）
zyw2002的博客
03-04 1万+
经典卷积神经网络详解（AlexNet、VGG、NiN、GoogLeNet、ResNet、DenseNet、CSPNet、Darknet、EfficientNet、SqueezeNet,MobileNet,GhostNet等）
深度学习｜卷积神经网络
weixin_58243219的博客
04-01 4660
介绍卷积神经网络基本理论，包括卷积层、池化层和全连接层，并阐述LeNet卷积神经网络的构建过程。
One PUNCH Man——深度学习入门
No_Game_No_Life_的博客
05-06 1803
文章目录人类视觉原理从神经网络到卷积神经网络（CNN）数据输入层卷积计算层卷积的计算参数共享机制激励层池化层全连接层CNN优缺点卷积神经网络的常用框架 人类视觉原理 深度学习的许多研究成果，离不开对大脑认知原理的研究，尤其是视觉原理的研究。 1981 年的诺贝尔医学奖，颁发给了 David Hubel（出生于加拿大的美国神经生物学家） 和TorstenWiesel，以及 Roger Sperry。...
【综述】一文读懂卷积神经网络(CNN)
qq_43673118的博客
09-07 2万+
卷积神经网络是多层感知机(MLP)的变种，由生物学家休博尔和维瑟尔在早期关于猫视觉皮层的研究发展而来，视觉皮层的细胞存在一个复杂的构造，这些细胞对视觉输入空间的子区域非常敏感，称之为感受野。CNN由纽约大学的Yann Lecun于1998年提出(LeNet-5)，其本质是一个多层感知机，成功的原因在于其所采用的局部连接和权值共享的方式：一方面减少了权值的数量使得网络易于优化；另一方面降低了模型的复杂度、减小了过拟合的风险。当网络的输入为图像时，这些优点将表现地更加明显。
深度学习03-卷积神经网络(CNN)
liaomin416100569的专栏
05-12 3万+
CNN，即卷积神经网络（Convolutional Neural Network），是一种常用于图像和视频处理的深度学习模型。与传统神经网络相比，CNN 有着更好的处理图像和序列数据的能力，因为它能够自动学习图像中的特征，并提取出最有用的信息。CNN 的一个核心特点是卷积操作，它可以在图像上进行滑动窗口的计算，通过滤波器（又称卷积核）和池化层（Max Pooling）来提取出图像的特征。卷积操作可以有效地减少权重数量，降低计算量，同时也能够保留图像的空间结构信息。
一文让你彻底了解卷积神经网络
比比的博客
08-03 20万+
卷积神经网络（Convolutional Neural Network，CNN）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，对于大型图像处理有出色表现。 它包括卷积层(convolutional layer)和池化层(pooling layer)。 对比：卷积神经网络、全连接神经网络 左图：全连接神经网络（平面），组成：输入层、激活函数、全连接层 右图：卷积神经...
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