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

什么是 CNN? 卷積神經(jīng)網(wǎng)絡(luò)？怎么用 CNN 進(jìn)行分類？（1）

2年前作者：shimly123456分類：Toy博客閱讀(37)違法舉報(bào)

這篇具有很好參考價(jià)值的文章主要介紹了什么是 CNN? 卷積神經(jīng)網(wǎng)絡(luò)？怎么用 CNN 進(jìn)行分類？（1）。希望對(duì)大家有所幫助。如果存在錯(cuò)誤或未考慮完全的地方，請(qǐng)大家不吝賜教，您也可以點(diǎn)擊"舉報(bào)違法"按鈕提交疑問。

先看卷積是啥，url: https://www.bilibili.com/video/BV1JX4y1K7Dr/?spm_id_from=333.337.search-card.all.click&vd_source=7a1a0bc74158c6993c7355c5490fc600

下面這個(gè)式子就是卷積
什么是 CNN? 卷積神經(jīng)網(wǎng)絡(luò)？怎么用 CNN 進(jìn)行分類？（1）,搞明白 CNN 卷積神經(jīng)網(wǎng)絡(luò),神經(jīng)網(wǎng)絡(luò),卷積神經(jīng)網(wǎng)絡(luò)
看完了，感覺似懂非懂

下一個(gè)參考視頻：https://www.youtube.com/watch?v=E5Z7FQp7AQQ&list=PLuhqtP7jdD8CD6rOWy20INGM44kULvrHu

視頻1：簡(jiǎn)單介紹卷積神經(jīng)網(wǎng)絡(luò)的意義，以及它的大概原理

先講一個(gè)簡(jiǎn)單神經(jīng)網(wǎng)絡(luò)在圖像識(shí)別領(lǐng)域里缺點(diǎn)

什么是 CNN? 卷積神經(jīng)網(wǎng)絡(luò)？怎么用 CNN 進(jìn)行分類？（1）,搞明白 CNN 卷積神經(jīng)網(wǎng)絡(luò),神經(jīng)網(wǎng)絡(luò),卷積神經(jīng)網(wǎng)絡(luò)
如上圖，一個(gè) 1000 * 1000 的 RGB 圖像，這里一共需要 1000 * 1000 * 3 = 三百萬個(gè)輸入神經(jīng)元

隨后，它的第一個(gè)隱藏層包含 1000 個(gè)神經(jīng)元。這樣來看，輸入層和第一個(gè)隱藏層之間的邊（連接）一共有三百萬 * 1000 = 三十億

這是一個(gè)非常大的數(shù)字，如果我們要去訓(xùn)練這樣的一個(gè) 權(quán)重矩陣，將會(huì)耗費(fèi)巨大的時(shí)間

此外，過量的參數(shù)和過大的權(quán)重矩陣通常也意味著過擬合

這就是為什么需要卷積神經(jīng)網(wǎng)絡(luò)，它在圖像識(shí)別和視頻識(shí)別領(lǐng)域要遠(yuǎn)強(qiáng)于簡(jiǎn)單的神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)的思想如下：
使用 filters(滑動(dòng)窗口) 去提取圖像中的特征。
圖像有一個(gè)特性，就是它會(huì)有邊、形狀、顏色。
CNN 的 filters 的任務(wù)就是檢測(cè)圖像里的上述特征，如下圖

什么是 CNN? 卷積神經(jīng)網(wǎng)絡(luò)？怎么用 CNN 進(jìn)行分類？（1）,搞明白 CNN 卷積神經(jīng)網(wǎng)絡(luò),神經(jīng)網(wǎng)絡(luò),卷積神經(jīng)網(wǎng)絡(luò)

上圖使用兩個(gè)filter 去提取圖像特征，分別是提取水平邊和垂直邊。filter(滑動(dòng)窗口)的大小僅僅為 3* 3 = 9 像素

卷積神經(jīng)網(wǎng)絡(luò)中的單層神經(jīng)元會(huì)使用大量這樣的 filters

這些 filters 可能會(huì)檢測(cè)我們圖像里的邊，隨后這些邊傳給更深的隱藏層，這些隱藏層可能會(huì)檢測(cè)出人臉的局部特征。、

再更深層的神經(jīng)網(wǎng)絡(luò)則可能會(huì)檢測(cè)出整張人臉。接著這些人臉特征可以和一個(gè) label “人類” 聯(lián)系起來，從而幫助我們檢測(cè)到人類。

這里減少的開銷：三十億參數(shù) -> 很少的參數(shù) 增加的開銷：sliding window

視頻2：CNN 中的卷積操作到底是什么？

什么是 CNN? 卷積神經(jīng)網(wǎng)絡(luò)？怎么用 CNN 進(jìn)行分類？（1）,搞明白 CNN 卷積神經(jīng)網(wǎng)絡(luò),神經(jīng)網(wǎng)絡(luò),卷積神經(jīng)網(wǎng)絡(luò)
如上圖，卷積其實(shí)就是拿一個(gè) 3*3 的矩陣去乘以圖像矩陣，具體請(qǐng)看視頻 3:35

什么是 CNN? 卷積神經(jīng)網(wǎng)絡(luò)？怎么用 CNN 進(jìn)行分類？（1）,搞明白 CNN 卷積神經(jīng)網(wǎng)絡(luò),神經(jīng)網(wǎng)絡(luò),卷積神經(jīng)網(wǎng)絡(luò)
為什么卷積操作能夠提取圖像特征？如圖所示，棕色的卷積矩陣可以提取灰度圖中的垂直邊，具體請(qǐng)看 5:05

什么是 CNN? 卷積神經(jīng)網(wǎng)絡(luò)？怎么用 CNN 進(jìn)行分類？（1）,搞明白 CNN 卷積神經(jīng)網(wǎng)絡(luò),神經(jīng)網(wǎng)絡(luò),卷積神經(jīng)網(wǎng)絡(luò)
相應(yīng)的，提取垂直邊的是上面的卷積矩陣，提取水平邊的是下面的卷積矩陣（或者叫做 filter）

什么是 CNN? 卷積神經(jīng)網(wǎng)絡(luò)？怎么用 CNN 進(jìn)行分類？（1）,搞明白 CNN 卷積神經(jīng)網(wǎng)絡(luò),神經(jīng)網(wǎng)絡(luò),卷積神經(jīng)網(wǎng)絡(luò)
遇到 RGB 圖怎么辦呢？簡(jiǎn)單，我們也用一個(gè) 乘以3 的 filter （也就是一共 27 個(gè)值）去做卷積，隨后產(chǎn)出一個(gè)特征圖

什么是 CNN? 卷積神經(jīng)網(wǎng)絡(luò)？怎么用 CNN 進(jìn)行分類？（1）,搞明白 CNN 卷積神經(jīng)網(wǎng)絡(luò),神經(jīng)網(wǎng)絡(luò),卷積神經(jīng)網(wǎng)絡(luò)

我們用多少個(gè) filter 就會(huì)產(chǎn)出多少個(gè) 特征圖。

這里提示一下，filter 里的值實(shí)際上就是卷積神經(jīng)網(wǎng)絡(luò) 里的參數(shù)，它們通常由訓(xùn)練得來。

視頻3：卷積神經(jīng)網(wǎng)絡(luò)中的 padding ，為什么需要 padding?

之前介紹的 CNN 有兩個(gè)限制。

限制1：經(jīng)過卷積操作后，圖像會(huì)變小，也就說經(jīng)過了很多層卷積后，圖像可能變得非常小，丟掉很多信息。如下圖

什么是 CNN? 卷積神經(jīng)網(wǎng)絡(luò)？怎么用 CNN 進(jìn)行分類？（1）,搞明白 CNN 卷積神經(jīng)網(wǎng)絡(luò),神經(jīng)網(wǎng)絡(luò),卷積神經(jīng)網(wǎng)絡(luò)
限制2：角落的像素沒有收到足夠多的關(guān)注。如下圖。
什么是 CNN? 卷積神經(jīng)網(wǎng)絡(luò)？怎么用 CNN 進(jìn)行分類？（1）,搞明白 CNN 卷積神經(jīng)網(wǎng)絡(luò),神經(jīng)網(wǎng)絡(luò),卷積神經(jīng)網(wǎng)絡(luò)
左上角的 pixel 在做卷積操作的時(shí)候只會(huì)參與一次，而中心的 pixel 則會(huì)參與多次

解決方案就是給圖像加上 padding，我們可以加一層 padding，也可以加兩層三層，下圖展示加一層 padding 的情形

什么是 CNN? 卷積神經(jīng)網(wǎng)絡(luò)？怎么用 CNN 進(jìn)行分類？（1）,搞明白 CNN 卷積神經(jīng)網(wǎng)絡(luò),神經(jīng)網(wǎng)絡(luò),卷積神經(jīng)網(wǎng)絡(luò)
從上圖可以看到，加了 padding 之后，產(chǎn)出的圖像是 6*6，尺寸和原圖一樣

此外，左上角的 pixel 也參與了多次卷積操作

什么是 CNN? 卷積神經(jīng)網(wǎng)絡(luò)？怎么用 CNN 進(jìn)行分類？（1）,搞明白 CNN 卷積神經(jīng)網(wǎng)絡(luò),神經(jīng)網(wǎng)絡(luò),卷積神經(jīng)網(wǎng)絡(luò)
如上圖，一般來說，卷積操作有兩種選擇：

Valid 。不使用任何 padding
Same。卷積后產(chǎn)出的特征圖，尺寸和原圖一樣。

一般而言，filter滑動(dòng)窗口的邊長(zhǎng)會(huì)使用奇數(shù)，否則，padding 需要使用非對(duì)稱 padding文章來源地址http://www.zghlxwxcb.cn/news/detail-716012.html

到了這里，關(guān)于什么是 CNN? 卷積神經(jīng)網(wǎng)絡(luò)？怎么用 CNN 進(jìn)行分類？（1）的文章就介紹完了。如果您還想了解更多內(nèi)容，請(qǐng)?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)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(diǎn)僅代表作者本人，不代表本站立場(chǎng)。本站僅提供信息存儲(chǔ)空間服務(wù)，不擁有所有權(quán)，不承擔(dān)相關(guān)法律責(zé)任。如若轉(zhuǎn)載，請(qǐng)注明出處：如若內(nèi)容造成侵權(quán)/違法違規(guī)/事實(shí)不符，請(qǐng)點(diǎn)擊違法舉報(bào)進(jìn)行投訴反饋，一經(jīng)查實(shí)，立即刪除！

分享到：

領(lǐng)支付寶紅包贊助服務(wù)器費(fèi)用

基于卷積神經(jīng)網(wǎng)絡(luò)CNN的圖片分類實(shí)現(xiàn)——附代碼
目錄摘要： 1.卷積神經(jīng)網(wǎng)絡(luò)介紹： 2.卷積神經(jīng)網(wǎng)絡(luò)（CNN）構(gòu)建與訓(xùn)練： 2.1 CNN的輸入圖像 2.2 構(gòu)建CNN網(wǎng)絡(luò) 2.3 訓(xùn)練CNN網(wǎng)絡(luò) 3.卷積神經(jīng)網(wǎng)絡(luò)（CNN）的實(shí)際分類測(cè)試： 4.本文Matlab實(shí)驗(yàn)代碼：使用Matlab自帶的深度學(xué)習(xí)工具箱構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)（CNN）進(jìn)行圖片分類，以識(shí)別并分類手寫
2024年02月02日
瀏覽(29)
【機(jī)器學(xué)習(xí)】基于卷積神經(jīng)網(wǎng)絡(luò) CNN 的貓狗分類問題
卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks, CNN）是一類包含卷積計(jì)算且具有深度結(jié)構(gòu)的前饋神經(jīng)網(wǎng)絡(luò)（Feedforward Neural Networks），是深度學(xué)習(xí)（deep learning）的代表算法之一。顧名思義，就是將卷積與前饋神經(jīng)網(wǎng)絡(luò)結(jié)合，所衍生出來的一種深度學(xué)習(xí)算法。卷積神經(jīng)網(wǎng)絡(luò)CNN的結(jié)構(gòu)圖
2024年02月17日
瀏覽(29)
文本分類系統(tǒng)Python，基于深度學(xué)習(xí)CNN卷積神經(jīng)網(wǎng)絡(luò)
文本分類系統(tǒng)，使用Python作為主要開發(fā)語言，通過TensorFlow搭建CNN卷積神經(jīng)網(wǎng)絡(luò)對(duì)十余種不同種類的文本數(shù)據(jù)集進(jìn)行訓(xùn)練，最后得到一個(gè)h5格式的本地模型文件，然后采用Django開發(fā)網(wǎng)頁界面，實(shí)現(xiàn)用戶在界面中輸入一段文字，識(shí)別其所屬的文本種類。在我們的日常生活和工作中
2024年02月08日
瀏覽(93)
Python基于PyTorch實(shí)現(xiàn)卷積神經(jīng)網(wǎng)絡(luò)分類模型(CNN分類算法)項(xiàng)目實(shí)戰(zhàn)
說明：這是一個(gè)機(jī)器學(xué)習(xí)實(shí)戰(zhàn)項(xiàng)目（附帶數(shù)據(jù)+代碼+文檔+視頻講解），如需數(shù)據(jù)+代碼+文檔+視頻講解可以直接到文章最后獲取。卷積神經(jīng)網(wǎng)絡(luò)，簡(jiǎn)稱為卷積網(wǎng)絡(luò)，與普通神經(jīng)網(wǎng)絡(luò)的區(qū)別是它的卷積層內(nèi)的神經(jīng)元只覆蓋輸入特征局部范圍的單元，具有稀疏連接（sparse connec
2024年02月15日
瀏覽(26)
機(jī)器學(xué)習(xí)實(shí)驗(yàn)4——CNN卷積神經(jīng)網(wǎng)絡(luò)分類Minst數(shù)據(jù)集
基于手寫minst數(shù)據(jù)集，完成關(guān)于卷積網(wǎng)絡(luò)CNN的模型訓(xùn)練、測(cè)試與評(píng)估。卷積層通過使用一組可學(xué)習(xí)的濾波器（也稱為卷積核）對(duì)輸入圖像進(jìn)行滑動(dòng)窗口卷積操作，這樣可以提取出不同位置的局部特征，從而捕捉到圖像的空間結(jié)構(gòu)信息。激活函數(shù) 在卷積層之后，通常會(huì)應(yīng)用一
2024年01月24日
瀏覽(21)
【Pytorch】計(jì)算機(jī)視覺項(xiàng)目——卷積神經(jīng)網(wǎng)絡(luò)CNN模型識(shí)別圖像分類
在上一篇筆記《【Pytorch】整體工作流程代碼詳解（新手入門）》中介紹了Pytorch的整體工作流程，本文繼續(xù)說明如何使用Pytorch搭建卷積神經(jīng)網(wǎng)絡(luò)（CNN模型）來給圖像分類。其他相關(guān)文章：深度學(xué)習(xí)入門筆記：總結(jié)了一些神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)概念。 TensorFlow專欄：《計(jì)算機(jī)視覺入門
2024年02月05日
瀏覽(28)
卷積神經(jīng)網(wǎng)絡(luò)CNN原理+代碼（pytorch實(shí)現(xiàn)MNIST集手寫數(shù)字分類任務(wù)）
前言若將圖像數(shù)據(jù)輸入全連接層，可能會(huì)導(dǎo)致喪失一些位置信息卷積神經(jīng)網(wǎng)絡(luò)將圖像按照原有的空間結(jié)構(gòu)保存，不會(huì)喪失位置信息。卷積運(yùn)算： 1.以單通道為例：將將input中選中的部分與kernel進(jìn)行數(shù)乘：以上圖為例對(duì)應(yīng)元素相乘結(jié)果為211，并將結(jié)果填入output矩陣的左上角
2024年02月04日
瀏覽(24)
分類預(yù)測(cè) | MATLAB實(shí)現(xiàn)POA-CNN鵜鶘算法優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)多特征分類預(yù)測(cè)
分類效果基本描述 1.Matlab實(shí)現(xiàn)POA-CNN鵜鶘算法優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)多特征分類預(yù)測(cè)，多特征輸入模型，運(yùn)行環(huán)境Matlab2018b及以上； 2.基于鵜鶘算法(POA)優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)(CNN)分類預(yù)測(cè)，優(yōu)化參數(shù)為，學(xué)習(xí)率，批處理，正則化參數(shù)； 3.多特征輸入單輸出的二分類及多分類模型。程序
2024年02月07日
瀏覽(34)
Python實(shí)現(xiàn)ACO蟻群優(yōu)化算法優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)分類模型(CNN分類算法)項(xiàng)目實(shí)戰(zhàn)
說明：這是一個(gè)機(jī)器學(xué)習(xí)實(shí)戰(zhàn)項(xiàng)目（附帶數(shù)據(jù)+代碼+文檔+視頻講解），如需數(shù)據(jù)+代碼+文檔+視頻講解可以直接到文章最后獲取。蟻群優(yōu)化算法(Ant Colony Optimization, ACO)是一種源于大自然生物世界的新的仿生進(jìn)化算法，由意大利學(xué)者M(jìn). Dorigo, V. Maniezzo和A.Colorni等人于20世紀(jì)90年代初
2024年02月06日
瀏覽(27)
CNN 卷積神經(jīng)網(wǎng)絡(luò)之 DenseNet 網(wǎng)絡(luò)的分類統(tǒng)一項(xiàng)目(包含自定義數(shù)據(jù)集的獲取)
本章實(shí)現(xiàn)的項(xiàng)目是DenseNet 網(wǎng)絡(luò)對(duì)花數(shù)據(jù)集的五分類，下載鏈接：基于遷移學(xué)習(xí)的 DenseNet 圖像分類項(xiàng)目 DenseNet 網(wǎng)絡(luò)是在 ResNet 網(wǎng)絡(luò)上的改進(jìn)，大概的網(wǎng)絡(luò)結(jié)構(gòu)如下：圖像識(shí)別任務(wù)主要利用神經(jīng)網(wǎng)絡(luò)對(duì)圖像進(jìn)行特征提取，最后通過全連接層將特征和分類個(gè)數(shù)進(jìn)行映射。傳統(tǒng)的網(wǎng)
2024年02月04日
瀏覽(29)