CNN（卷积层convolutional layer，激励层activating layer，池化层pooling，全连接层fully connected）

最新推荐文章于 2023-08-14 21:02:46 发布
最新推荐文章于 2023-08-14 21:02:46 发布
阅读量1.5w 收藏 19
点赞数 2
分类专栏： 机器学习 文章标签： 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/whyymlm/article/details/79739840
版权
本文详细介绍了CNN（卷积神经网络）的核心组件，包括卷积层如何通过滤波器进行低通道滤波，形成激活图；解释了为何CNN相邻层神经元部分相连及权值共享的原理；讨论了激活层中ReLU函数的作用及调整学习率的重要性；此外，还阐述了池化层的两种常见操作：最大池化和平均池化，以实现特征降维。
摘要由CSDN通过智能技术生成
CNN产生的原因：当使用全连接的神经网络时，因为相邻两层之间的神经元都是有边相连的，当输入层的特征纬度非常高时（譬如图片），全连接网络需要被训练的参数就会非常多（参数太多，训练缓慢），CNN可以通过训练少量的参数从而进行特征提取。

上图每一个边就代表一个需要训练的参数，可以直观的感受到需要训练的参数太多了。

CNN的优点：1.相邻两层神经元部分相连。2.且同一层神经元的w（权重）和b（偏移）是共享的。

卷积：用一个核（矩阵）和图片相乘，相当于进行低通道滤波，因此这个核也被称为滤波器。当对一个图进行卷积，在特定的曲线和周边区域，得到的值很高，在其他区域，值相对较低，因此卷积得到的结果也叫激活图

最低0.47元/天 解锁文章
头发结冰海鲜过敏的鱼
关注
  • 2
    点赞
  • 踩
  • 19
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
专栏目录
卷积层、池化层和全连接层
weixin_45680994的博客
10-04 2616
卷积层（Convolution） 什么是卷积，如下图所示，卷积操作是用卷积核，按照一定的步长，在一张图片上规律性的移动。卷积核的每个单元有权重，在卷积核移动的过程中将图片上的像素和卷积核的对应权重相乘，最后将所有乘积相加得到一个输出。 作用和意义： ①局部感知： 在传统神经网络中每个神经元都要与图片上每个像素相连接，这样的话就会造成权重的数量巨大造成网络难以训练。而在含有卷积层的的神经网络中每个神经元的权重个数都是卷积核的大小，这样就相当于没有神经元只与对应图片部分的像素相连接。这样就极大的减少了权重的数量
keras中的卷积层&池化层的用法
09-16
主要介绍了keras中的卷积层&池化层的用法，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
【卷积神经网络】卷积层，池化层，全连接层
idwtwt的专栏
02-18 5万+
转于：《入门PyTorch》 卷积层是卷积神经网络的核心， 大多数计算都是在卷积层中进行的。 1 卷积层 1.1 概述 首先介绍卷积神经网络的参数。 这些参数是由一些可学习的滤波器集合构成的， 每个滤波器在空间上（ 宽度和高度） 都比较小， 但是深度和输入数据的深度保持一致。 举例来说， 卷积神经网络的第一层卷积一个典型的滤波器的尺寸可以是5×5×3（ 宽和高都是5） ， 或者是3×3...
卷积层，池化层，全链接层
qq_41654608的博客
03-26 473
卷积层(Convolutional layer)主要是用一个采样器从输入数据中采集关键数据内容； 池化层(Pooling layer)则是对卷积层结果的压缩得到更加重要的特征，同时还能有效控制过拟合。 但是可怜的全连接层(Fully Connected layer)很多时候都被忽略了，可能大佬们觉得我们都能懂吧。。查阅了一下资料，大概理解了全连接层的作用，即将前面经过多次卷积后高度抽象化的特征进行整合，然后可以进行归一化，对各种分类情况都输出一个概率，之后的分类器(Classifier)可以根据全连..
对全连接层（fully connected layer）的通俗理解
热门推荐
Machine Learning with Tutors
08-03 26万+
全连接层（fully connected layers，FC）在整个卷积神经网络中起到“分类器”的作用。如果说卷积层、池化层和激活函数层等操作是将原始数据映射到隐层特征空间的话，全连接层则起到将学到的“分布式特征表示”映射到样本标记空间的作用。在实际使用中，全连接层可由卷积操作实现：对前层是全连接的全连接层可以转化为卷积核为1x1的卷积；而前层是卷积层的全连接层可以转化为卷积核为hxw的全局卷积，h和w分别为前层卷积结果的高和宽。全连接的核心操作就是矩阵向量乘积 y = Wx。
CNN中的局部连接(Sparse Connectivity)和权值共享
weixin_34112030的博客
11-16 2394
局部连接与权值共享 下图是一个很经典的图示，左边是全连接，右边是局部连接。 对于一个1000 × 1000的输入图像而言，如果下一个隐藏层的神经元数目为10^6个，采用全连接则有1000 × 1000 × 10^6 = 10^12个权值参数，如此数目巨大的参数几乎难以训练；而采用局部连接，隐藏层的每个神经元仅与图像中10 × 10的局部图像相连接，那么...
卷积神经网络之卷积层，池化层，全连接层
wangjie36的博客
06-04 9681
pooling理论在于，图像中相邻位置的像素是相关的。对一幅图像每隔一行采样，得到的结果依然能看。 经过一层卷积以后，输入的图像尺寸变化不大，只是缩小了卷积核-1。根据相邻数据的相关性，在每个nxn区域内，一般2x2，用一个数代表原来的4个数，这样能把数据缩小4倍，同时又不会损失太多信息。 一副24*24的图像。用5*5卷积核卷积，结果是20*20（四周各-2），经过2*2池化，变成10*10. ...
verilog实现卷积神经网络CNN，包括卷积层，Relu激活层，FC全连接层，pool池化层
04-22
本项目采用Verilog语言实现了一个完整的CNN框架，涵盖了CNN的四个核心组成部分：卷积层、ReLU激活层、全连接层（FC）以及池化层。下面将详细介绍这些组件及其在Verilog实现中的关键点。 1. **卷积层(Convolutional ...
【机器学习】卷积层，池化层，全连接层，BN层作用；CNN 网络参数数量的计算
weixin_37985288的博客
06-22 1万+
官方文档：https://keras.io/layers/convolutional/#zeropadding2d https://www.cnblogs.com/ymjyqsx/p/9451739.html 【搬运】conv卷积层： 1.相当于一个特征提取器来提取特征 2.提供了位置信息 3.减少了参数个数 https://blog.csdn.net/m0_37622530/articl...
深入理解CNN卷积层、池化层、全连接层
qq_40957196的博客
01-08 4万+
深入理解CNN卷积层、池化层、全连接层 文章目录深入理解CNN卷积层、池化层、全连接层卷积层(Convolution)池化层(Pooling)全连接层(Fully connected)全连接层到底什么用？首先三点：接下来再主要谈谈全连接层的意义 东拼西凑看到的各种观点，在此记录一下，谢谢各位大佬，侵删~ 卷积神经网络是通过神经网络反向传播自动学习的手段，来得到各种有用的卷积核的过程。 卷积神经...
卷积层，池化层和全连接层
python内置函数set()
06-05 268
https://blog.csdn.net/zfjBIT/article/details/88075569 一个很详细的关于卷积层，池化层和全连接层的解释
Lecture5：卷积层、池化层、全连接层
qq_41694024的博客
12-09 4006
介绍了卷积层、池化层、全连接层
全连接层有何作用？
dfql83704的博客
07-07 832
1 作用 众所周知，全连接层之前的作用是提取特征，全连接层的作用是分类。 2 关键阶段介绍 假设通过CNN已经提取到特征，下一层是全连接层，这个阶段比较关键，举个例子说明： 上图中CNN的输出是3x3x5的特征图，它是怎么样转换成1x4096的形式呢？ 很简单,可以理解为在中间做了一个卷积。这一步卷积一个非常重要，它的作用就是把分布式特征representation映射到样本标记空间！...
卷积神经网络卷积层池化层全连接层理解
qq_29423387的博客
12-01 2282
卷积神经网络
【卷积神经网络】卷积，池化，全连接
最新发布
洋洋Young的博客
08-14 1165
随着计算机硬件的升级与性能的提高，运算量已不再是阻碍深度学习发展的难题。卷积神经网络（Convolution Neural Network，CNN）是深度学习中一项代表性的工作，CNN 是受人脑对图像的理解过程启发而提出的模型，其雏形是 1998 年 LeCun 提出的 LeNet-5 模型。如今，卷积神经网络已被广泛应用于计算机视觉领域。本文主要介绍卷积神经网络中几个基础的运算，包括卷积、池化与全连接。
2.深度学习模型使用：（卷积层，池化层，全连接层）
sgfsfgs的博客
09-11 5489
网络模型在算法中比较常用，对于大部分的网络结构模型都包含以下各层，本文主要是来介绍各层的特点以及使用，对于结合实际的需求搭建模型，可以参考我的其他博客。
深度学习——卷积层，池化层，全连接层的理解
Williamcsj的博客
04-02 1050
神经网络的入门知识温习：卷积层，池化层，全连接层 深度学习中的卷积相关知识汇总 什么是feature map（个人理解）
CNN中卷积层，池化层，全连接层的作用
06-02
在CNN（卷积神经网络）中，卷积层、池化层和全连接层是三个核心组成部分。 卷积层（Convolutional Layer）：通过卷积操作对输入的图像进行特征提取，可以识别出图像中的不同形状、边缘、纹理等特征。卷积层的参数（卷积核）是可以学习的，这意味着模型可以自动学习到图像中不同特征的表示。 池化层（Pooling Layer）：对输入的特征图进行降维处理，可以减少模型的参数数量，防止过拟合。常用的池化操作有最大池化和平均池化，它们可以保留特征图中最显著的特征。 全连接层（Fully Connected Layer）：将前面卷积和池化层提取的特征图进行展开，并通过多个全连接层进行分类或回归等任务。全连接层可以学习到不同特征之间的关系，对于图像分类等任务有很好的效果。 通过这三种层的组合，CNN可以自动地提取图像中的特征，并进行分类、检测、分割等任务。
评论 2
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