【深度学习】卷积神经网络

已于 2022-04-18 19:58:31 修改
阅读量1.6k 收藏
点赞数 1
分类专栏： 深度学习 文章标签： 卷积神经网络 神经网络
于 2022-04-12 20:17:03 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_52762273/article/details/124132910
版权

卷积运算

卷积运算是卷积神经网络的基本组成部分

以图像识别为例：神经网络的前几层检测边缘，在后面一些层可能检测到物体的部分，更靠后层可能检测到完整的物体

例如：下面这张图片

在这里插入图片描述
让计算机知道图中有什么物体，我们一般可能会检测图像中的垂直边缘，也就是图像中垂直的一些物体，比如栏杆，人的轮廓；
在这里插入图片描述

我们可能也会检测水平边缘比如栏杆水平方向的轮廓

在这里插入图片描述

如何在图像中检测这些边缘？

例：这是一个6x6的灰度图像，所以他是6x6x1的矩阵，而不是6x6x3;因为灰度图像并没有RGB三通道

在这里插入图片描述

为了检测图像中的垂直边缘，在卷积神经网络共用习惯中我们可以构造一个3x3的矩阵（在卷积神经网络的术语中，它被称为过滤器filter）;而我们构造的3x3矩阵如下：

在这里插入图片描述

两者进行卷积运算

在这里插入图片描述

而卷积运算又是如何运算的呢？

将filter投影到图像矩阵中得到如下：

在这里插入图片描述

然后进行元素乘法运算并求和

则第一个值为：-5

在这里插入图片描述

将值写入第一个位置

在这里插入图片描述

而第二个元素又如何确定呢？

在这里插入图片描述

我们只需将filter右移一个位置得到一个新的投影并进行对应元素的相乘并求和
在这里插入图片描述

将值写入第二个位置

在这里插入图片描述

接下来一样继续右移继续计算元素相乘并求和

为了得到第二行的元素，则需要将filter向下移然后进行计算

在这里插入图片描述

因此 6x6矩阵和3x3矩阵进行卷积运算得到4x4矩阵

在这里插入图片描述

6x6的矩阵我们可以很容易可以理解为一张图像，3x3的矩阵filter被理解为过滤器，而两者经过卷积运算得到的4x4矩阵则可以理解为另一张图像

在编程语言中进行卷积运算有不同的函数：

python：conv_forwardt

tensorflow: tf.nn.conv2d

keras : Conv2D

为什么卷积运算可以进行边缘检测？

例：根据图像矩阵我们可以看出左边较亮右边较暗，且亮暗边缘很容易看到，我们对图像进行卷积运算

在这里插入图片描述

根据图像的亮暗可看作如下：

在这里插入图片描述
可以发现在经过卷积运算得到的矩阵中有段亮一点的区域对应检查到6x6图像的中间的垂直边缘

因为图像较小所以检测出边缘较宽，当图像维度大的时候你会发现会很好的检测出图像中的垂直边缘
卷积神经网络续接

Data艺术家
关注
  • 1
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 1
    评论
专栏目录
深度学习卷积神经网络图像参考文献
01-02
关于深度学习, 图像处理.卷积神经网络的大量参考论文文献.
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
卷积神经网络 Convolutional Neural Network ｜ CNN
JasonH2021的博客
07-07 1万+
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Convolutional-Neural-Networks(CNN)理论概述
最新发布
FPGA/MATLAB学习教程/源码/项目合作开发
03-21 1450
C1层中各平面（由神经元构成）提取图像中不同的局部特征，如边缘特征，上下左右方向特征等，C1层中的输入是有由上一层局部窗口的数值和连接的权值的加权和（也就是卷积，后面会具体解释为什么是卷积），然后通过一个激活函数（如sigmoid 函数，反正切函数）得到C1层的输出，接下来S2层是下采样层，简单来书，由4个点下采样为1个点，也就是4个数的加权平均。看下图2，假设红色的点和黑色的点是C1层第一个特征图的2个不同神经元，感受窗口的大小是5*5的（意味着有25个连接），这2个神经元连接的权值是共享的（相同的）。
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 60万+
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 12万+
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！
深度学习卷积神经网络笔记
08-30
初学卷积神经网络
深度学习卷积神经网络
11-21
用CNN实现数字识别
神经网络与深度学习卷积神经网络CNN图像训练数据
05-14
神经网络与深度学习卷积神经网络CNN图像训练数据，实例测试。
深度学习卷积神经网络mnist算法代码-keras
07-29
《机器学习从入门到入职》深度学习的卷积神经网络算法代码框架用的是keras，数据集选用mnist手写字体识别
【计算机视觉】万字长文详解：卷积神经网络
Yaoyao2024的博客
01-31 4608
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。
深度学习｜卷积神经网络
weixin_58243219的博客
04-01 4311
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。
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 9374
经典卷积神经网络详解（AlexNet、VGG、NiN、GoogLeNet、ResNet、DenseNet、CSPNet、Darknet、EfficientNet、SqueezeNet,MobileNet,GhostNet等）
One PUNCH Man——深度学习入门
No_Game_No_Life_的博客
05-06 1568
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 2万+
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...
卷积神经网络（convolutional neural network, CNN）
qq_41536160的博客
05-28 6万+
基本定义 卷积神经网络(convolutional neural network, CNN)，是一类包含卷积计算且具有深度结构的前馈神经网络。卷积神经网络是受生物学上感受野（Receptive Field）的机制而提出的。卷积神经网络专门用来处理具有类似网格结构的数据的神经网络。例如，时间序列数据（可以认为是在时间轴上有规律地采样形成的一维网格） 和图像数据（可以看作是二维的像素网格）。 1.卷积层（convolutional layer） 作用：特征提取 卷积层内部包含多个卷积核，组成卷积核的每个元素都

“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

Data艺术家

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