卷积神经网络CNN简介

本文介绍了卷积神经网络(CNN)的基本原理,包括局部感受野、权重共享和池化操作,阐述了CNN如何使深度网络变得可能,并详细解析了CNN的结构,包括卷积层和池化层的作用。同时,通过分析YOLO网络结构,展示了CNN在目标检测领域的应用。
摘要由CSDN通过智能技术生成

应求发布。

一、前言

神经网络的发展其实很早,但是因为过拟合和容易收敛到局部最优解的问题在90年代被SVM超了风头,但是后来由于深度学习概念的提出,神经网络又以CNN为代表的姿态(还有其他一些比较出名的深度网络比如(RNN,LSTM,深度信念网络等)卷土重来。CNN(Convolutional Neural Network)是相对于传统神经网络(Fully-ConnectedNeural Network)而言的,它有三大特征:局部感受野(local receptive fields),共享权重(shared weights),和池化(pooling)。传统神经网络不能有太多层,因为会容易过拟合,容易梯度消失,难以训练,但是卷积神经网络利用上述三大特征一定程度上克服了这些问题,将网络层数拓展的很深。下面就来详细说下CNN。

二、CNN详解

1.为什么CNN可以使深度网络变得可能?

①我们都知道,CNN应用在图像上是最多的,因为图像包

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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