1.2卷积神经网络基础补充（霹雳吧啦Wz笔记）

已于 2023-03-27 10:51:06 修改
阅读量150 收藏
点赞数
分类专栏： 深度学习-图像分类 文章标签： 深度学习 人工智能 Powered by 金山文档
于 2023-03-27 10:49:35 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_52449030/article/details/129790054
版权

目录

误差的计算

对于第二点，什么是二分类问题，举个例子：

对于男人和人类就是二分类问题，因为既可能是人类也可能是男人。

误差的反向传播

权重的更新

CaiGbro
关注
专栏目录
深度学习之跟学霹雳吧啦Wz笔记
丶玉面小蛟龙的博客
06-03 3824
大佬的B站空间 LeNet:卷积神经网络的第一篇实际应用。 这个网络，大佬视频讲解的很清楚，我个话痴就不多言了。 LeNet代码中学到的新东西 pytorch的数据的格式[batch_size,channel,height,width],即[图片数量，图片深度（通道），图片高度，图片宽度] pytorch的卷积Conv函数（卷积核通道数，卷积核个数，卷积核尺寸，卷积步长，卷积填充） transform函数，作用好像是图像数据预处理成tensor变量，划定尺寸，自定义分割等等。 函数iter(),自动迭代
卷积神经网络学习笔记-分类网络（一）
weixin_47260381的博客
08-21 1554
分类卷积神经网络
图像识别神经网络常用层概述（暂时停更==）
m0_58348465的博客
01-10 3003
第一部分 常用模型概述 dy​​​​​​​CNN经典模型汇总_ChasingdreamLY的博客-CSDN博客_cnn模型 一、LeNet5 模型 1.概述 LeNet5 诞生于 1994 年，是最早的卷积神经网络之一，并且推动了深度学习领域的发展。可以看做是其他深度模型的基础。 2.结构 3.创新点 LeNet5特征能够总结为如下几点： 1）卷积神经网络使用三个层作为一个系列： 卷积，池化，非线性 2） 使用卷积提取空间特征 3）使用映射到空间均值下采样（su...
VGG网络学习笔记。
m0_56064238的博客
09-15 760
看b站的视频总结的学习笔记！
[语义分割] DeepLab v1网络（语义分割、信号下采样、空间上的不敏感性、LargeFOV、膨胀卷积、空洞卷积、MSc、Multi-Scale）
Le0v1n 的博客
07-27 1315
语义分割、信号下采样、空间上的不敏感性、LargeFOV、膨胀卷积、空洞卷积、MSc、Multi-Scale
计算机视觉算法——图像分类网络总结
weixin_44580210的博客
05-05 7165
计算机视觉算法学习笔记——图像分类网络计算机视觉算法学习笔记——图像分类网络1. AlexNet1.1 网络结构1.2 关键知识点1.2.1 卷积和池化特征尺寸计算公式1.2.2 ReLU非线性激活函数1.2.3 防止过拟合2. 计算机视觉算法学习笔记——图像分类网络 由于后面工作方向的需要，也是自己的兴趣，我决定补习下计算机视觉算法相关的知识点，参考的学习资料主要是B站Up主霹雳吧啦Wz，强推一下，Up主的分享非常的细致认真，从他这里入门是个不错的选择，Up主也有自己的CSDN博客，我这里主要是作为课程的
目标检测 | YOLO v4、YOLO v5、YOLO v6理论讲解
houjingchuan的博客
07-26 1444
目标检测：YOLO v4、YOLO v5与YOLO v6理论知识笔记，根据B站up霹雳吧啦Wz与CSDN博主路人贾的目标检测相关博文总结。
[语义分割] DeepLab v2（膨胀卷积、空洞卷积、多尺度信息融合、MSc、ASPP、空洞空间金字塔池化、Step学习率策略、Poly学习率策略）
Le0v1n 的博客
07-28 2869
膨胀卷积、空洞卷积、多尺度信息融合、MSc、ASPP、空洞空间金字塔池化、Step学习率策略、Poly学习率策略
〔Part1〕YOLOv5：原理+源码分析（配置文件、网络模块、损失函数、跨网格匹配策略）
Le0v1n 的博客
02-05 7541
1. 配置文件 2. 网络模块 3. 损失函数 4. 跨网格匹配策略
论文精读——YOLOv4
2402_83980685的博客
04-10 1302
论文题目：《YOLOv4: Optimal Speed and Accuracy of Object Detection》
卷积神经网络基本概念1
08-08
卷积神经网络（Convolutional Neural Network，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、目标检测等。本篇文章主要探讨卷积神经网络中的几个关键概念：步长、池化、卷积、填充以及上...
卷积神经网络基础知识
xxtzzxx的博客
10-16 617
注意：计算多类损失过层中，一般最后一层使用softmax激活函数。SGD：分批次进行训练，每一批次（随机的）进行损失的计算以及损失的反向传播。输出的特征矩阵channel与卷积核个数相同。其实到这里并没有结束，问：计算的损失是否指向全局最有的方向。结果：卷积核的channel与输入特征层的channel相同；针对不同的分类问题，我们会分别通过如下的公式计算损失。注意：学习率下降的太快可能还没收敛就停止训练。池化层没有训练参数。目的：为了使网络更快的收敛。可以发现结果满足概率分布。目的：进行图像特征的提取。
卷积神经网络中的误差计算和梯度更新
Sunshine_QS的博客
05-08 1287
卷积神经网络中的误差计算和梯度更新 一、误差的计算 二、误差的反向传播 目的 将误差反向传播到每个参数，得到每个参数的损失梯度 三、权重的更新 1.公式 2.采用分批次样本求解的原因 实际应用中算计往往不够，内存也不足 指向当前批次（batch）最优解 3.优化器optimazer SGD优化器 公式： α为学习率，g（wt）是t时刻对参数w的损失梯度 缺点： 1、容易收到噪声的干扰，梯度方向变向 2、可能陷入局部最优解,如图红线部分陷入鞍 SGD
深度学习之循环神经网络(RNN)
weixin_43775295的博客
11-12 280
其一般处理单个的输入，前一个输入和后一个输入完全无关，但实际应用中，某些任务需要能够更好的处理序列的信息，即前面的输入和后面的输入是有关系的。​ 由于RNN特有的memory会影响后期其他的RNN的特点，梯度时大时小，learning rate没法个性化的调整，导致RNN在train的过程中，Loss会震荡起伏，为了解决RNN的这个问题，在训练的时候，可以设置临界值，当梯度大于某个临界值，直接截断，用这个临界值作为梯度的大小，防止大幅震荡。中必须包含原始序列中的所有信息，它的长度就成了限制模型性能的瓶颈。
深度学习笔记13-卷积神经网络1
最新发布
weixin_51828505的博客
11-12 625
卷积神经网络（CNN），它是由多个卷积层、池化层和全连接层构成的前馈神经网络。在卷积神经网络中，包含了可训练的卷积核，这使得卷积神经网络具有强大的表征学习能力。卷积神经网络通过卷积层和池化层进行特征提取，通过全连接层和输出层进行分类。因此卷积神经网络是一种端到端的机器学习模型。
深度学习：掩蔽softmax
m0_49786943的博客
11-12 327
假如valid_lens=tensor([2, 3, 1])shape[1]为3（即第一个样本每一行的有效长度为2，第二个样本每一行有效长度为3，第三个样本每一行有效长度为1），通过代码valid_lens将会变为tensor([2, 2, 2, 3, 3, 3, 1, 1, 1])即有效长度成功扩展到每个位置。valid_lens = valid_lens.reshape(-1): 将 valid_lens 展平为一维张量，形状为 (batch_size * sequence_length,)
torch.nn.**和torch.nn.functional.**的区别
laice的博客
11-11 306
torch.nn.**是一个继承了torch.nn.Module的类，使用前必须先构造对象，然后再调用。如果直接使用则会报错。torch.nn.functional.**是一个纯数学函数，可以直接使用。
【循环神经网络】
严文文 Chris
11-12 540
RNN是一种强大的序列建模工具，适合处理各种时间序列和自然语言数据。然而，传统RNN在处理长序列时存在梯度消失问题，随着LSTM和GRU等改进模型的引入，RNN的性能得到了极大提升。无论是在自然语言处理、语音识别，还是时间序列分析等领域，RNN都发挥了重要作用。
[卷积神经网络]使用YOLOv11训练自己的模型
就随便写写....
11-08 641
使用YOLOv11训练自己的数据
霹雳吧啦wz图像分类
10-02
霹雳吧啦wz图像分类的代码如下： ```python from PIL import Image import torch from torch.utils.data import Dataset # 自定义数据集处理 class MyDataSet(Dataset): def __init__(self, images_path: list, ...
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