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？（2）

2年前作者：shimly123456分類：Toy博客閱讀(26)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？（2）。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。

參考視頻：https://www.youtube.com/watch?v=E5Z7FQp7AQQ&list=PLuhqtP7jdD8CD6rOWy20INGM44kULvrHu

視頻4：CNN 中 stride 的概念

什么是 CNN? 卷積神經(jīng)網(wǎng)絡(luò)？怎么用 CNN 進(jìn)行分類？（2）,搞明白 CNN 卷積神經(jīng)網(wǎng)絡(luò),卷積神經(jīng)網(wǎng)絡(luò)
如上圖，stride 其實(shí)就是 ”步伐“ 的概念。

默認(rèn)情況下，滑動(dòng)窗口一次移動(dòng)一步。而當(dāng) stride = 2 時(shí)，則一次移動(dòng)兩步，垂直移動(dòng)和水平移動(dòng)都是。

當(dāng)我們提高 stride 的值的時(shí)候，卷積操作產(chǎn)生的特征圖的 size 會(huì)成倍減少，如下圖：
（stride = 2）

什么是 CNN? 卷積神經(jīng)網(wǎng)絡(luò)？怎么用 CNN 進(jìn)行分類？（2）,搞明白 CNN 卷積神經(jīng)網(wǎng)絡(luò),卷積神經(jīng)網(wǎng)絡(luò)

具體請(qǐng)看 1:47

當(dāng)使用 padding 的時(shí)候，卷積產(chǎn)生的特征圖的大小通過下面公式計(jì)算

什么是 CNN? 卷積神經(jīng)網(wǎng)絡(luò)？怎么用 CNN 進(jìn)行分類？（2）,搞明白 CNN 卷積神經(jīng)網(wǎng)絡(luò),卷積神經(jīng)網(wǎng)絡(luò)

視頻5：max pooling in CNN

max pooling 在做的事情如下圖
什么是 CNN? 卷積神經(jīng)網(wǎng)絡(luò)？怎么用 CNN 進(jìn)行分類？（2）,搞明白 CNN 卷積神經(jīng)網(wǎng)絡(luò),卷積神經(jīng)網(wǎng)絡(luò)
如上圖，滑動(dòng)窗口提取出窗口中的最大值，放進(jìn)新圖里

一般而言，stride 的值和滑動(dòng)窗口的邊長(zhǎng)是相等的

什么是 CNN? 卷積神經(jīng)網(wǎng)絡(luò)？怎么用 CNN 進(jìn)行分類？（2）,搞明白 CNN 卷積神經(jīng)網(wǎng)絡(luò),卷積神經(jīng)網(wǎng)絡(luò)

如上圖，這有兩個(gè)好處：
1.減少圖像大小，減少 computational cost
2.銳化圖的特征，加強(qiáng)圖的特征（因?yàn)樗Ａ袅俗畲笾担?/p>

關(guān)于銳化特征，更明顯的例子如下圖
什么是 CNN? 卷積神經(jīng)網(wǎng)絡(luò)？怎么用 CNN 進(jìn)行分類？（2）,搞明白 CNN 卷積神經(jīng)網(wǎng)絡(luò),卷積神經(jīng)網(wǎng)絡(luò)

使用 max pooling layer 時(shí)，輸入有多少?gòu)垐D，輸出就有多少?gòu)垐D，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？（2）,搞明白 CNN 卷積神經(jīng)網(wǎng)絡(luò),卷積神經(jīng)網(wǎng)絡(luò)

實(shí)際上，我們并不總是使用 max pooling layer。因?yàn)?max pooling layer 會(huì)減少圖的 size。

使用 Max pooling layer 的地方通常只在卷積層后面

需要注意的是，max pooling layer 里并不涉及參數(shù)，所以它這塊地方并不需要訓(xùn)練

除了 max pooling layer 外，還有 average pooling 等等，看需求

下圖是一個(gè)總結(jié)
什么是 CNN? 卷積神經(jīng)網(wǎng)絡(luò)？怎么用 CNN 進(jìn)行分類？（2）,搞明白 CNN 卷積神經(jīng)網(wǎng)絡(luò),卷積神經(jīng)網(wǎng)絡(luò)
視頻6：CNN 里的 fully connected layer 全連接層

全連接層其實(shí)就是 simple neural network，被用來做分類

下圖是個(gè)更好的解釋

什么是 CNN? 卷積神經(jīng)網(wǎng)絡(luò)？怎么用 CNN 進(jìn)行分類？（2）,搞明白 CNN 卷積神經(jīng)網(wǎng)絡(luò),卷積神經(jīng)網(wǎng)絡(luò)
如上圖，卷積層提取原圖的特征，（隨后有可能經(jīng)過 max pooling layer 來減少圖的大小，以及銳化特征）。接著產(chǎn)出的圖被展開，作為后面的全連接層的輸入。隨后就是一個(gè)用于分類的神經(jīng)網(wǎng)絡(luò)。

需要注意的是，全連接層的輸出層的神經(jīng)元數(shù)量，和我們要分的類別的數(shù)量是相等的。

此外，全連接層中的 ”邊“ （權(quán)重矩陣）是需要被訓(xùn)練的。

如下圖，是總結(jié)
什么是 CNN? 卷積神經(jīng)網(wǎng)絡(luò)？怎么用 CNN 進(jìn)行分類？（2）,搞明白 CNN 卷積神經(jīng)網(wǎng)絡(luò),卷積神經(jīng)網(wǎng)絡(luò) 文章來源地址http://www.zghlxwxcb.cn/news/detail-736331.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？（2）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)