神经网络算法 - 一文搞懂CNN（卷积神经网络）

最新推荐文章于 2024-08-23 14:39:57 发布
最新推荐文章于 2024-08-23 14:39:57 发布
阅读量1.8k 收藏 27
点赞数 32
文章标签： 神经网络 算法 cnn
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_53880910/article/details/140921827
版权

前言

本文将从CNN解决了什么问题、人类的视觉原理、CNN的基本原理、典型的CNN及实际应用四个方面，带您一文搞懂卷积神经网络CNN。

一、CNN解决了什么问题

图像处理存在两个难题：

  • 数据量巨大： 图像由像素组成，每个像素又由RGB三个颜色参数表示。

    对于一张1920×1080 像素的图片，就需要处理6百万个参数。（1920*1080*3=6220800）

  • 特征保留困难： 传统图像处理方法很难保留原始图像特征。例如：图像中物体的位置发生变化，传统方法处理后的数据会有很大差异。

CNN解决问题：

  • 提取特征： 卷积操作提取图像特征，如边缘、纹理等，保留图像特征。

  • 数据降维： 池化操作大幅降低参数量级，实现数据降维，大大减少运算量，避免过拟合。

二、人类的视觉原理

在我们了解 CNN 原理之前，先来看看人类的视觉原理是什么？

1981年诺贝尔医学奖：

  • 获得者：David Hubel（大卫·休伯尔）、Torsten Nils Wiesel（托斯坦·威泽尔）、Roger Sperry（罗杰·斯佩里）

  • 主要贡献：发现了视觉系统的信息处理，可视皮层是分级的。

人类视觉原理：

  • 光信号感知：原始信号摄入，光信号转化为神经信号。

  • 初级视觉处理：神经信号传送到大脑的初级视觉皮层，进行初步特征提取，例如边缘、纹理等。

  • 高级视觉处理：初级视觉皮层的信息传递到高级视觉皮层，进行复杂的特征提取，例如颜色、形状、运动等。

  • 识别与认知：将输入的图像与已有的知识进行匹配和识别。

三、CNN的基本原理

构成部分：

  • 卷积层： 用来提取图像的局部特征。

  • 池化层：用来大幅降低参数量级，实现数据降维。

  • 全连接层： 用来输出想要的结果。

基本原理：

  • 卷积层：通过卷积核的过滤提取出图片中局部的特征，类似初级视觉皮层进行初步特征提取。

使用一个过滤器（卷积核）来过滤图像的各个小区域，从而得到这些小区域的特征值。

  • 池化层：下采样实现数据降维，大大减少运算量，避免过拟合。

原始是20×20的，进行下采样，采样为10×10，从而得到2×2大小的特征图。

  • 全连接层：经过卷积层和池化层处理过的数据输入到全连接层，得到最终想要的结果

四、典型的CNN及实际应用

典型的 CNN 并非只是上面提到的3层结构，而是多层结构。

例如，LeNet-5被誉为是卷积神经网络的“Hello Word”。LeNet-5是图灵奖获得者Yann LeCun（杨立昆）在1998年提出的CNN算法，用来解决手写识别的问题。

LeNet-5 的网络结构：

  • 输入层：INPUT

  • 三个卷积层： C1、C3和C5

  • 两个池化层： S2和S4

  • 一个全连接层： F6

  • 输出层：OUTPUT

输入层- 卷积层 – 池化层- 卷积层 – 池化层 – 卷积层 – 全连接层 - 输出层

实际应用：

  • 图像分类：可以节省大量的人工成本，将图像进行有效的分类，分类的准确率可以达到 95%+。典型场景：图像搜索。

  • 目标定位：可以在图像中定位目标，并确定目标的位置及大小。典型场景：自动驾驶。

  • 目标分割：简单理解就是一个像素级的分类。典型场景：视频裁剪。

  • 人脸识别：非常普及的应用，戴口罩都可以识别。典型场景：身份认证。

最后

感谢你们的阅读和喜欢，我收藏了很多技术干货，可以共享给喜欢我文章的朋友们，如果你肯花时间沉下心去学习，它们一定能帮到你。

因为这个行业不同于其他行业，知识体系实在是过于庞大，知识更新也非常快。作为一个普通人，无法全部学完，所以我们在提升技术的时候，首先需要明确一个目标，然后制定好完整的计划，同时找到好的学习方法，这样才能更快的提升自己。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

一、全套AGI大模型学习路线

AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！

img

二、640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

img

三、AI大模型经典PDF籍

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。

img

四、AI大模型商业化落地方案

img

五、面试资料

我们学习AI大模型必然是想找到高薪的工作，下面这些面试题都是总结当前最新、最热、最高频的面试题，并且每道题都有详细的答案，面试前刷完这套面试题资料，小小offer，不在话下。
在这里插入图片描述

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

AI大模型探索者
关注
详解卷积神经网络(CNN)
qq_25762497的博客
04-04 25万+
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。
技术向：一文读懂卷积神经网络
02-02
自今年七月份以来，一直在实验室负责卷积神经网络（ConvolutionalNeuralNetwork，CNN），期间配置和使用过theano和cuda-convnet、cuda-convnet2。为了增进CNN的理解和使用，特写此博文，以其与人交流，互有增益。正文之前，先说几点自己对于CNN的感触。先明确一点就是，DeepLearning是全部深度学习算法的总称，CNN是深度学习算法在图像处理领域的一个应用。第一点，在学习Deeplearning和CNN之前，总以为它们是很了不得的知识，总以为它们能解决很多问题，学习了之后，才知道它们不过与其他机器学习算法如svm等相似，仍然可以把它当做一个分
深度学习学习经验——卷积神经网络（CNN）
最新发布
Linductor的博客
08-23 1009
卷积神经网络（Convolutional Neural Network, CNN）是深度学习中一种非常重要的模型结构，特别擅长处理图像数据。CNN 通过卷积操作和池化操作来自动提取图像的特征，并使用全连接层进行分类或回归等任务。
带你一文搞懂CNN以及图像识别（Python）
不要给自己设限，尝试更多可能（思所向 皆可往）
03-18 3909
卷积神经网络（Convolution Neural Networks，CNN）是一类包含卷积计算的前馈神经网络，是基于图像任务的平移不变性（图像识别的对象在不同位置有相同的含义）设计的，擅长应用于图像处理等任务。在图像处理中，图像数据具有非常高的维数（高维的RGB矩阵表示），因此训练一个标准的前馈网络来识别图像将需要成千上万的输入神经元，除了显而易见的高计算量，还可能导致许多与神经网络中的维数灾难相关的问题。对于高维图像数据，卷积神经网络利用了卷积核池化层，能够高效提取图像的重要“特征”，再通过后面的全连接
卷积神经网络（CNN）超详细介绍
热门推荐
weixin_44021149的博客
03-22 6万+
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
（太长太全面了）CNN超详细介绍
qq_43703185的博客
08-10 2万+
原文链接：https://blog.csdn.net/jiaoyangwm/article/details/80011656 文章目录1、卷积神经网络的概念2、
神经网络算法 ：一文搞懂CNN（卷积神经网络）
2401_84033492的博客
03-31 1116
本文将从CNN解决了什么问题、人类的视觉原理、CNN的基本原理、典型的CNN及实际应用四个方面，带您一文搞懂卷积神经网络CNN。
卷积神经网络（CNN）算法详解
极光喵的博客
03-07 8650
注意：本文引用自专业人工智能社区Venus AI 更多AI知识请参考原站 （[www.aideeplearning.cn]） 引言 卷积神经网络（Convolutional Neural Networks, CNN）是一类包含卷积计算且具有深度结构的前馈神经网络（Feedforward Neural Networks, FNN），是深度学习的代表算法之一。 对卷积神经网络的研究始于二十世纪80至90年代，时间延迟网络和LeNet-5是最早出现的卷积神经网络；在二十一世纪后，随着深度学习理论的提出和
一文读懂卷积神经网络CNN（学习笔记）
数据派THU
12-29 5179
来源：机器学习算法与自然语言处理作者：白雪峰本文为图文结合，建议阅读10分钟。本文为大家解读如何简单明了的解释卷积，并且分享了学习中的一些方法案例。首先文章的提纲为：CNN栗子镇楼What is CNN            什么是卷积            什么是池化Why CNN对CNN的其他一些理解CNN实现（接口）1、CNN栗子（A Beginning Glimpse of CNN）Mod
三万字硬核详解：卷积神经网络CNN（原理详解 + 项目实战 + 经验分享）
shinuone的博客
10-31 1万+
深入解析卷积神经网络(CNN)的实际运用，全面整理并梳理了CNN的关键知识点。从基础概念到实战技巧，提供了详实的内容，助力读者深入理解并应用卷积神经网络于实际问题解决。
【深度学习】CNN算法
m0_61673669的博客
08-28 1万+
卷积神经网络（CNN），是一类包含卷积计算且具有深度结构前馈神经网络，是（deep learning）的代表算法之一。卷积神经网络具有表征能力，能够按其阶层结构对输入信息进行平移不变分类，因此也被称为“平移不变人工神经网络。...
CNN有关算法介绍
07-14
李宏毅关于CNN卷积神经网络的一些理论知识讲解，适于深度学习入门者。
CNN算法流程详解说明
05-28
这个ppt是对论文《ImageNet Classification with Deep Convolutional Neural Networks》的流程解析，分析了论文里面的重要贡献，对于学习这个网络很有帮助
基于Python利用卷积神经网络的Text-CNN 文本分类【100011766】
04-10
TextCNN 是利用卷积神经网络对文本进行分类的算法，由 Yoon Kim 在 “Convolutional Neural Networks for Sentence Classification” 一文 (见参考[1]) 中提出.
医学图像处理医学图像处理-卷积神经网络卷积神经网络_典型的深度学习算法（一）：卷积神经网络（CNN）...
weixin_39830175的博客
11-22 1683
通过上一篇文章，相信大家对深度学习的概念、原理已经有了大致了解，近期企通查将会对深度学习中的几种典型算法进行介绍。在深度学习领域中，已经验证的典型成熟算法有卷积神经网络（CNN）、循环神经网络（RNN）、生成对抗网络（GANs）、深度强化学习（RL）等，下面企通查将带领大家对典型的深度学习算法之一——卷积神经网络（CNN）一探究竟。卷积神经网络（CNN）解决了什么问题？卷积神经网络（CNN），是近...
CNN(卷积神经网络)
weixin_43178406的博客
07-02 7352
1. 卷积神经网络（CNN）结构 cnn网络结构一般为卷积层----池化层----卷积层----池化层----卷积层----池化层----…----全连接层----全连接层----… 2. 卷积层 卷积层的输入是是一个四维数组，如[batch, in_height, in_width, in_channels]，如[128, 28, 28, 3],这里的3指channel（通道个数），28×28分...
卷积神经网络CNN(一篇文章 理解）
2303_79387663的博客
03-12 2953
CNN算法是一种特殊的神经网络，其结构主要由卷积层、池化层和全连接层组成。卷积层负责提取图像中的局部特征，池化层用于降低数据的维度，减少计算量，而全连接层则负责将提取的特征进行分类或识别。CNN算法作为一种强大的深度学习算法，在图像处理领域取得了显著的成果。通过不断地优化和改进，CNN算法的性能将得到进一步提升。
卷积神经网络(CNN)
顺其自然~专栏
01-12 1万+
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。
cnn卷积神经网络图像识别
09-01
卷积神经网络（CNN）是一类包含卷积计算的前馈神经网络，专门用于图像处理等任务。CNN的设计基于图像任务中的平移不变性，也就是说图像中的对象在不同位置具有相同的含义。 CNN在图像处理领域得到了广泛应用，它能够有效处理高维的图像数据（如RGB矩阵表示），避免了传统的前馈网络需要大量输入神经元的问题。 使用CNN进行图像识别基本流程如下： 1. 数据准备：收集并标注大量的图像数据集，将其划分为训练集和测试集。 2. 网络构建：使用CNN的核心概念，如卷积层（Conv2D）、池化层（MaxPool2D）、展平层（Flatten）和全连接层（Dense），构建一个适合图像识别任务的网络结构。 3. 训练模型：使用训练集的图像数据作为输入，通过反向传播算法和优化器（如Adam）对网络进行训练，使其能够学习图像中的特征和模式。 4. 评估与调优：使用测试集的图像数据对训练好的模型进行评估，并根据评估结果进行调优，如调整网络参数、增加数据量等。 5. 应用模型：在实际应用中，使用训练好的模型对新的图像数据进行识别，实现图像分类、目标检测等任务。 综上所述，CNN（卷积神经网络）是一种用于图像识别的神经网络模型，通过对图像进行卷积计算和特征提取，能够有效地进行图像分类和目标检测等任务。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* *3* [基于CNN的图像识别(Tensorflow)](https://blog.csdn.net/first_bug/article/details/124938432)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 50%"] - *2* [一文弄懂CNN及图像识别](https://blog.csdn.net/m0_61899108/article/details/122401122)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 50%"] [ .reference_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