国产无码综合区,色欲AV无码国产永久播放,无码天堂亚洲国产AV,国产日韩欧美女同一区二区

卷積神經(jīng)網(wǎng)絡（CNN）的整體框架及細節(jié)（詳細簡單）

2年前作者：小林學編程分類：Toy博客閱讀(17)違法舉報

這篇具有很好參考價值的文章主要介紹了卷積神經(jīng)網(wǎng)絡（CNN）的整體框架及細節(jié)（詳細簡單）。希望對大家有所幫助。如果存在錯誤或未考慮完全的地方，請大家不吝賜教，您也可以點擊"舉報違法"按鈕提交疑問。

一：引言

我們傳統(tǒng)的神經(jīng)網(wǎng)絡和卷積神經(jīng)網(wǎng)絡有什么區(qū)別？
下圖所示，左圖就是我們傳統(tǒng)的神經(jīng)網(wǎng)絡（NN）(想了解NN的小伙伴可以先劃到最后的參考文章部分)，右圖就是卷積神經(jīng)網(wǎng)絡（Convolutional Neural Network）（CNN），我們在這張圖中可以明顯地看出，左圖看上去像二維的，右圖好像是一個三維的圖，舉個例子，比如在傳統(tǒng)神經(jīng)網(wǎng)絡輸入的一張圖有784個像素點，所以輸入層就有784個神經(jīng)元，但在我們的CNN中輸入的就是原始的圖像28*28*1（是三維的），它是一個三維的矩陣。我們可以看到右圖中又定義三維名稱‘height*width*depth’簡稱‘h*w*d’，接下來我們就圍繞著卷積層和深度到底怎么變換展開。

卷積神經(jīng)網(wǎng)絡（CNN）的整體框架及細節(jié)（詳細簡單）

?文章來源地址http://www.zghlxwxcb.cn/news/detail-409982.html

二：大體介紹CNN：

如下圖所示就是CNN的整體架構，和我們講述NN的文章相同，這次也是從整體架構入手，幫助大家了解CNN，總共有四個部分：輸入層，卷積層，池化層，全連接層。

卷積神經(jīng)網(wǎng)絡（CNN）的整體框架及細節(jié)（詳細簡單）

?

三：詳細介紹CNN：

（1）：輸入層：

輸入層就是和上文的例子相同，如圖中的最左邊的圖片假設就是我們需要輸入的，假設是‘28*28*3’，分別對應‘h*w*d’，其中對于圖片輸入來說通常是以RGB三通道的形式輸入，所以d通常是3，如下圖中的第二張圖片就是后面三個通道圖片相疊加而來

卷積神經(jīng)網(wǎng)絡（CNN）的整體框架及細節(jié)（詳細簡單）

?

（2）：卷積層（核心）：

卷積層是如何工作的呢？我們先給定一個簡單的例子，如下圖所示：

卷積神經(jīng)網(wǎng)絡（CNN）的整體框架及細節(jié)（詳細簡單）

?

假設我們輸入的是5*5*1的圖像，中間的那個3*3*1是我們定義的一個卷積核（簡單來說可以看做一個矩陣形式運算器），通過原始輸入圖像和卷積核做運算可以得到綠色部分的結果，怎么樣的運算呢？實際很簡單就是我們看左圖中深色部分，處于中間的數(shù)字是圖像的像素，處于右下角的數(shù)字是我們卷積核的數(shù)字，只要對應相乘再相加就可以得到結果。例如圖中‘3*0+1*1+2*2+2*2+0*2+0*0+2*0+0*1+0*2=9’

那如果我們的d大于一的時候又是如何計算的？

如下動圖：

卷積神經(jīng)網(wǎng)絡（CNN）的整體框架及細節(jié)（詳細簡單）

圖中最左邊的三個輸入矩陣就是我們的相當于輸入d=3時有三個通道圖，每個通道圖都有一個屬于自己通道的卷積核，我們可以看到輸出（output）的只有兩個特征圖意味著我們設置的輸出的d=2，有幾個輸出通道就有幾層卷積核（比如圖中就有FilterW0和FilterW1），這意味著我們的卷積核數(shù)量就是輸入d的個數(shù)乘以輸出d的個數(shù)（圖中就是2*3=6個），其中每一層通道圖的計算與上文中提到的一層計算相同，再把每一個通道輸出的輸出再加起來就是綠色的輸出數(shù)字啦！。

（3）：池化層：

池化層部分就比較簡單了如下圖所示：

卷積神經(jīng)網(wǎng)絡（CNN）的整體框架及細節(jié)（詳細簡單）

?如圖中就是一個max-pooling（最大池化）的一個操作，就是把選中的區(qū)域中的最大值給挑出來，比如粉紅色區(qū)域的‘1,1,5,6’四個數(shù)字最大值就是6，還有一種比較常見的是mean-pooling（平均池化）就是把區(qū)域內(nèi)的數(shù)字加起來做個平均值，比如藍色區(qū)域就是（1+0+3+4）/4=2。

（4）：全連接層（FC）

全連接層的理解就是相當于在最后面加一層或多層傳統(tǒng)神經(jīng)網(wǎng)絡（NN）層，我們在連接全連接層前，需要把我們的CNN的三維矩陣進行展平成二維，比如說從池化層出來的是‘5*5*3’的圖像，在輸入到全連接層展平成1*75以滿足全連接層的輸入模式。

四：最后呈現(xiàn)

如下圖：

卷積神經(jīng)網(wǎng)絡（CNN）的整體框架及細節(jié)（詳細簡單）

五：參考文章：

1：CNN筆記：通俗理解卷積神經(jīng)網(wǎng)絡_v_JULY_v的博客-CSDN博客_卷積神經(jīng)網(wǎng)絡通俗理解

2：CNN部分不愧是計算機博士唐宇迪居然半天教會了我大學4年沒學會的深度學習經(jīng)典算法解析入門到實戰(zhàn)課程，看不懂你打我?。?！_嗶哩嗶哩_bilibili

3：傳統(tǒng)神經(jīng)網(wǎng)絡：

神經(jīng)網(wǎng)絡整體架構及細節(jié)（詳細簡單）_小林學編程的博客-CSDN博客

?

到了這里，關于卷積神經(jīng)網(wǎng)絡（CNN）的整體框架及細節(jié)（詳細簡單）的文章就介紹完了。如果您還想了解更多內(nèi)容，請在右上角搜索TOY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關文章，希望大家以后多多支持TOY模板網(wǎng)！

本文來自互聯(lián)網(wǎng)用戶投稿，該文觀點僅代表作者本人，不代表本站立場。本站僅提供信息存儲空間服務，不擁有所有權，不承擔相關法律責任。如若轉載，請注明出處：如若內(nèi)容造成侵權/違法違規(guī)/事實不符，請點擊違法舉報進行投訴反饋，一經(jīng)查實，立即刪除！

分享到：

領支付寶紅包贊助服務器費用

關于CNN卷積神經(jīng)網(wǎng)絡
CNN代表卷積神經(jīng)網(wǎng)絡（Convolutional Neural Network）它是一種深度學習算法，特別適用于處理圖像和視頻數(shù)據(jù)。CNN由多個卷積層、池化層和全連接層組成，通過學習圖像或視頻數(shù)據(jù)的特征來進行分類、識別或檢測任務。與傳統(tǒng)的全連接神經(jīng)網(wǎng)絡相比，CNN的參數(shù)數(shù)量較少，能夠
2023年04月09日
瀏覽(18)
【人工智能】— 深度神經(jīng)網(wǎng)絡、卷積神經(jīng)網(wǎng)絡（CNN）、多卷積核、全連接、池化
Pre-training + Fine-tuning Pre-training(預訓練) : 監(jiān)督逐層訓練是多隱層網(wǎng)絡訓練的有效手段, 每次訓練一層隱層結點, 訓練時將上一層隱層結點的輸出作為輸入, 而本層隱結點的輸出作為下一層隱結點的輸入, 這稱為”預訓練”. Fine-tuning(微調(diào)) : 在預訓練全部完成后, 再對整個網(wǎng)絡進行
2024年02月10日
瀏覽(48)
【人工智能】深度神經(jīng)網(wǎng)絡、卷積神經(jīng)網(wǎng)絡（CNN）、多卷積核、全連接、池化
Pre-trainin
2024年02月16日
瀏覽(45)
十、CNN卷積神經(jīng)網(wǎng)絡實戰(zhàn)
輸入樣本通道數(shù)4、期待輸出樣本通道數(shù)2、卷積核大小3×3 具體卷積層的構建可參考博文：八、卷積層設定卷積層 torch.nn.Conv2d(in_channels=in_channel,out_channels=out_channel,kernel_size=kernel_size,padding=1,stride=1) 必要參數(shù)：輸入樣本通道數(shù) in_channels 、輸出樣本通道數(shù) out_channels 、卷積核大小
2023年04月09日
瀏覽(41)
深度學習——CNN卷積神經(jīng)網(wǎng)絡
卷積神經(jīng)網(wǎng)絡（Convolutional Neural Network，CNN）是一種深度學習中常用于處理具有網(wǎng)格結構數(shù)據(jù)的神經(jīng)網(wǎng)絡模型。它在計算機視覺領域廣泛應用于圖像分類、目標檢測、圖像生成等任務。 CNN 的核心思想是通過利用局部感知和參數(shù)共享來捕捉輸入數(shù)據(jù)的空間結構信息。相比于傳統(tǒng)
2024年02月15日
瀏覽(27)
深度學習|CNN卷積神經(jīng)網(wǎng)絡
在CNN沒有出現(xiàn)前，圖像對人工智能來說非常難處理。主要原因：圖像要處理的數(shù)據(jù)量太大了。圖像由像素組成，每個像素又由不同顏色組成，一張1000×1000彩色RGB圖像需要的參數(shù)是1000×1000×3，需要三百萬參數(shù)左右，普通神經(jīng)網(wǎng)絡會全用全連接方法來學習整幅圖像上的特征，處
2024年02月11日
瀏覽(33)
深度學習03-卷積神經(jīng)網(wǎng)絡(CNN)
CNN，即卷積神經(jīng)網(wǎng)絡（Convolutional Neural Network），是一種常用于圖像和視頻處理的深度學習模型。與傳統(tǒng)神經(jīng)網(wǎng)絡相比，CNN 有著更好的處理圖像和序列數(shù)據(jù)的能力，因為它能夠自動學習圖像中的特征，并提取出最有用的信息。 CNN 的一個核心特點是卷積操作，它可以在圖像上進
2024年02月05日
瀏覽(25)
CNN卷積神經(jīng)網(wǎng)絡基礎知識
1.1 卷積核大小的選擇 1. 選擇奇數(shù)卷積核 ①. 保護位置信息，奇數(shù)卷積核的中心點位置在中心，有利于定位任務。 ②. padding時左右對稱。 2. 在感受野相同的情況下優(yōu)先選擇較小的卷積核以減少計算量 ①. 兩個3x3卷積核的感受野與一個5x5卷積核的感受野相同 ②. 兩個3x3卷積核的
2024年02月04日
瀏覽(50)
卷積神經(jīng)網(wǎng)絡CNN的經(jīng)典模型
ILSVRC是一項基于 ImageNet 數(shù)據(jù)庫的國際大規(guī)模視覺識別挑戰(zhàn)賽（ImageNet Large Scale Visual Recognition Challenge，ILSVRC）（1）1958年，Rosenblatt發(fā)明了感知機。用于對輸入的多維數(shù)據(jù)進行二分類且能夠使用梯度下降法自動更新權值。缺點：只能處理線性分類問題。（2）1986年，Geoffrey Hi
2024年02月07日
瀏覽(23)
深度學習之卷積神經(jīng)網(wǎng)絡（CNN）
? ? ? 大家好，我是帶我去滑雪！ ? ? ? 卷積神經(jīng)網(wǎng)絡（Convolutional Neural Network，CNN）是一種基于深度學習的前饋神經(jīng)網(wǎng)絡，主要用于圖像和視頻識別、分類、分割和標注等計算機視覺任務。它主要由卷積層、池化層、全連接層和激活函數(shù)層等組成。其中，卷積
2024年02月05日
瀏覽(27)