【深度学习】卷积神经网络

最新推荐文章于 2023-06-04 10:08:58 发布
最新推荐文章于 2023-06-04 10:08:58 发布
阅读量1k 收藏
点赞数 2
分类专栏： 深度学习 文章标签： 深度学习 cnn 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/yusihe/article/details/128989838
版权
本文介绍了卷积神经网络（CNN）的应用，如检测、分类、超分辨率和医学任务等。阐述了CNN与传统神经网络的区别，重点讨论了CNN的架构，包括输入层、卷积层、池化层和全连接层。详细解析了卷积参数，如步长、卷积核大小和填充。还提到了池化层的作用和网络层数的计算方法。最后，回顾了VGG和ResNet等经典网络结构及其特点。
摘要由CSDN通过智能技术生成

1 卷积神经网络（CNN）可以做什么？

  1. 检测任务
  2. 分类与检索
  3. 超分辨率重构：将图像训练的更清晰
  4. 医学任务等
  5. 无人驾驶
  6. 人脸识别

2 用GPU：图像处理单元
比CPU块一百倍以上

3 卷积神经网络与传统神经网络的区别
传统神经网络：将数据拉成向量
卷积神经网络：三维数据
在这里插入图片描述

4 整体架构

  • 输入层
  • 卷积层：提取特征
  • 池化层：压缩特征
  • 全链接层
    在这里插入图片描述

5 卷积进行特征提取：
绿色的：特征图

6 步长与卷积核大小对结果的影响

卷积网络中可以无限堆叠，但是并不是堆叠次数越高效果越好

7 卷积层涉及参数

  1. 滑动窗口步长：移动窗口移动的步长决定特征图
最低0.47元/天 解锁文章
余思荷
关注
专栏目录
神经网络中卷积层的堆叠
Cheese的博客
09-01 1万+
在神经网络的设计中，经常会出现多个卷积层堆叠的情况，为什么要这样设计呢？
学习经验分享之九：卷积神经网络简介
m0_70388905的博客
08-30 528
全连接层跟在堆叠的卷积和池化层后面，最后一个全连接层后面接的是 Softmax 层，用于计算每个预定义类别的分类分数。分类层通常是全连接层，卷积的最后一层特征图转化为固定长度的向量，分类层根据该特征计算每个类别的得分。在卷积层中，从上一层输出的特征图和卷积核进行卷积，再通过一个线性或非线性激活函数 (例如 sigmoid 函数，tanh 函数，Softmax 函数，Relu 函数和 identity 函数等) 来得到输出特征图。下采样层不会改变输入特征图的通道数量，改变的是输入特征图的空间维度的大小。...
textcnn, textrnn, textrcnn, textrnn_att, dpcnn, transformer介绍
qq_40671063的博客
09-03 2047
textcnn, textrnn, textrcnn, textrnn_att, dpcnn, transformer介绍
初识CNN3
weixin_44943389的博客
10-29 1515
感受当前5这个值可以感受到前面输入的东西是3*3的1感受到的范围是3*3的第二次卷积能感受到第一次卷积的范围这就逐步提出了感受野的范围后面的值是由前面的值得多少来得到的一般我们希望感受野越大越好。
卷积神经网络CNN调优总结
小白学视觉
06-04 616
点击上方“小白学视觉”，选择加"星标"或“置顶”重磅干货，第一时间送达作者：根据网络整理转载自：Charlotte数据挖掘针对CNN优化的总结Systematic evaluation of CNN advances on the ImageNet使用没有 batchnorm 的 ELU 非线性或者有 batchnorm 的 ReLU。用类似1*1的网络结构预训练RGB数据，能得到更好的效果。使...
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.
基于深度学习卷积神经网络模型的行人检测设计.pdf
08-18
基于深度学习卷积神经网络模型的行人检测设计 本文档主要介绍了基于深度学习卷积神经网络模型的行人检测设计。随着5G和人工智能技术的崛起，无人驾驶技术在不断突破，行人检测作为无人驾驶中的一个关键技术，是一个...
Pytorch实现基于深度学习卷积神经网络的面部表情识别项目源码+数据集（人脸面部表情识别项目）.zip
11-13
Pytorch实现基于深度学习卷积神经网络的面部表情识别项目源码+数据集（人脸面部表情识别项目）.zip已获导师指导并通过的高分毕业设计项目，也可作为课程设计和期末大作业。动手完成这个项目之后，就可以学习到：1. ...
基于python深度学习卷积神经网络识别猫狗图片.zip
最新发布
04-14
基于python深度学习卷积神经网络识别猫狗图片.zip基于python深度学习卷积神经网络识别猫狗图片.zip基于python深度学习卷积神经网络识别猫狗图片.zip基于python深度学习卷积神经网络识别猫狗图片.zip基于python深度...
深度学习卷积神经网络笔记
08-30
深度学习卷积神经网络笔记 深度学习卷积神经网络是神经网络的一大应用，矩阵运算神经网络的传播都是形如 Y=WX+b 的矩阵运算。为了给矩阵运算加入非线性，需要在隐藏层中加入激活层；输出层结果需要经过 Softmax 层...
深度堆叠卷积神经网络_堆叠卷积神经网络
weixin_26632369的博客
07-20 3170
深度堆叠卷积神经网络Introduction 介绍 “Hello, world!” The name’s Matthew, and this is my first entry in the world of Medium. I’m a data scientist who builds things with numbers and computers. No need to bother w...
VGG_net
源式羽语
03-19 783
Vgg网络：牛津大学研究组提出，2014年imagenet竞赛定位任务第一名，分类任务第二名。特点：1.泛化性能良好。在imagenet的预训练模型被常用了提取特征。      2.使用了小卷积核，保持输入大小，为了增加网络深度时确保各层输入大小随深度增加而不极具减小。      3.网络卷积层通道数一次3---64---128---256---512逐渐增加结构：1.    卷积核都用3*3的小...
机器学习入门（20）— 深度学习中为什么卷积层越多，性能越好
热门推荐
wohu1104的专栏
07-07 1万+
1. 加深层的优势 1.1 减少网络参数数量 假设卷积层的一个好处是可以减少网络的参数数量。说得详细一点，就是与没有加深层的网络相比，加深了层的网络可以用更少的参数达到同等水平（或者更强）的表现力。 可以结合卷积运算中的滤波器大小来思考就好理解了。比如，图8-5展示了由5 × 5的滤波器构成的卷积层。 显然，在图8-5 的例子中，每个输出节点都是从输入数据的某个 5 × 5 的区域算出来的。 接下来我们思考一下图8-6 中重复两次3 × 3 的卷积运算的情形。此时，每个输出节点将由中间数据的某个3 × 3
CNN卷积方式汇总
PETERPARKERRR的博客
12-26 1672
文章目录一、初始版本二、Inception三、空洞卷积（Dilation卷积）四、深度可分离卷积五、可变形卷积六、特征重标定卷积2.读入数据总结 参考：https://zhuanlan.zhihu.com/p/29367273 一、初始版本 LeNet：最早使用stack单卷积+单池化结构的方式，卷积层来做特征提取，池化来做空间下采样 AlexNet：后来发现单卷积提取到的特征不是很丰富，于是开始stack多卷积+单池化的结构 VGG：结构没怎么变，网络深度增加。 二、Inception Inception
PyTorch深度学习（25）网络结构ConvNeXt
JYliangliang的博客
04-02 6095
ConvNeXt 论文地址：https://arxiv.org/abs/2201.03545 一、改进点 随着技术的不断发展，各种新的架构及优化策略促使Transformer拥有更好的效果 相同策略训练卷积神经网络 以ResNet-50为基准 1、Macro design （1）Swin-T的比例是1：1：3：1 Swin-L的比例是1：1：9：1 堆叠次数由(3, 4, 6, 3)调整为(3, 3, 9, 3) （2）最初的下采样模块为stem，例如ResNet中stem是7×7卷积核3×3.
深度学习之路=====12=====＞＞MNasNet(tensorflow2)
Big_SHOe的博客
11-29 1381
tensorflow 2.4 MnasNet
彻底搞懂CNN中的卷积和反卷积
weixin_39873397的博客
07-10 358
前言 卷积和反卷积在CNN中经常被用到，想要彻底搞懂并不是那么容易。本文主要分三个部分来讲解卷积和反卷积，分别包括概念、工作过程、代码示例，其中代码实践部分主结合TensorFlow框架来进行实践。给大家介绍一个卷积过程的可视化工具，这个项目是github上面的一个开源项目。 上图展示了一个卷积的过程，其中蓝色的图片(4*4)表示的是进行卷积的图片，阴影的图片(3*3)表示...
深度学习到底有多少种卷积方式？（含配图）
ZRX_GIS
10-26 1113
1 焦点 如何通过卷积方式的选择改进已有网络架构 关于convolution 2 传统网络为什么用小卷积替代大卷积？（VGG Net） kernel_size Adv exp dis_Adv large_kernel_size 感受域范围大 AlexNet、LeNet等网络都使用了比较大的卷积核，如5×5,11×11 参数量多；计算量大 small_kernel_size 参数量少；计算量小；整合三个非线性激活层代替单一非线性激活层，增加模型判别能力 VGG之后 感受域不足；深度堆叠卷积
堆叠解卷积网络实现图像语义分割顶尖效果
weixin_33859504的博客
09-14 153
选自arXiv机器之心编译参与：路雪本文介绍了一种堆叠解卷积网络（Stacked Deconvolutional Network），它可用于高效的图像语义分割。该方法堆叠多个浅层解卷积网络，采用层级监督帮助网络优化，在多个数据集上实现了顶尖效果。机器之心对该论文进行了介绍。链接：https://arxiv.org/pdf/1708.04943.pdf摘要：语义分割领域的近期进展主要由改善全卷积网络...
深度学习卷积神经网络
07-27
深度学习中的卷积神经网络（CNN）是一种重要的神经网络结构，主要用于图像处理、视频处理、音频处理和自然语言处理等领域。卷积神经网络的概念早在上世纪80年代就被提出，但直到21世纪以后，随着深度学习理论的完善和硬件性能的提升，卷积神经网络才真正崛起。如今，卷积神经网络在深度学习领域扮演着举足轻重的角色，许多重要应用如AlphaGo和手机上的人脸识别都采用了卷积神经网络。\[1\] 在理解卷积神经网络之前，我们需要先了解神经网络的基础知识。卷积神经网络是一种专门用来处理具有类似网格结构的数据的神经网络，例如时间序列数据和图像数据。卷积神经网络中的“卷积”指的是一种特殊的线性运算，它在网络的一层中使用卷积运算来替代一般的矩阵乘法运算。这种运算在许多应用领域都表现出色。\[3\] 总结来说，深度学习中的卷积神经网络是一种用于处理具有网格结构数据的神经网络，通过卷积运算来替代矩阵乘法运算，以实现对图像、视频、音频和自然语言等数据的高效处理。\[1\]\[3\] #### 引用[.reference_title] - *1* *2* [深度学习——卷积神经网络（CNN）简介](https://blog.csdn.net/johnny_love_1968/article/details/117636049)[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^v91^insertT0,239^v3^insert_chatgpt"}} ] [.reference_item] - *3* [深度学习—卷积神经网络（Convolutional Neural Networks）](https://blog.csdn.net/qq_28505705/article/details/102944765)[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^v91^insertT0,239^v3^insert_chatgpt"}} ] [.reference_item] [ .reference_list ]
评论 3
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