第5章 卷积神经网络

李宏毅深度学习教程 第4-5章 CNN卷积神经网络+RNN循环神经网络 李宏毅深度学习教程 第4-5章 CNN卷积神经网络+RNN循环神经网络。卷积、池化、填充这些概念,RNN、LSTM的原理和实现以及CNN和RNN的应用。 阅读详情

第5章 卷积神经网络

卷积神经网络(CNN/ConvNet)是专门为处理网格结构数据(比如图像、语音序列)设计的深层前馈网络。它的核心优势是局部连接、权重共享、汇聚降维——既解决了全连接网络参数爆炸的问题,又能高效捕捉数据的局部特征(比如图像的边缘、纹理),还能保证一定的平移、缩放不变性(比如猫的图像不管放在画面左边还是右边,都能识别)。

本章会从“卷积”这个核心运算入手,逐步拆解CNN的结构、工作原理、参数学习方法,再介绍经典模型和进阶卷积方式,帮你彻底搞懂CNN。

5.1 卷积:CNN的“核心运算”

卷积的本质是“滑动窗口加权求和”——用一个固定大小的“滤波器(卷积核)”在输入数据上滑动,每滑到一个位置,就计算窗口内数据与滤波器的加权和,得到输出特征。

5.1.1 卷积的定义(一维+二维)

(1)一维卷积(用于序列数据)

比如处理语音、时间序列(比如股票价格),输入是一维向量,卷积核也是一维向量。

  • 例子:输入信号 x=[x1,x2,x3,x4,x5]x = [x_1, x_2, x_3, x_4, x_5]x=[x1​,x2​,x3​,x4​,x5​],卷积核 w=[w1,w2,w3]w = [w_1, w_2, w_3]w=[w1​,w2​,w3​],卷积运算就是:
    y1=w1x1+w2x2+w3x3,y2=w1x2+w2x3+w3x4,y3=w1x3+w2x4+w3x5y_1 = w_1x_1 + w_2x_2 + w_3x_3, \quad y_2 = w_1x_2 + w_2x_3 + w_3x_4, \quad y_3 = w_1x_3 + w_2x_4 + w_3x_5y1​=w1​x1​+w2​x2​+w3​x3​,y2​=w1​x2​+w2​x3​+w3​x4​,y3​=w1​x3​+w2​x4​+w3​x5​
  • 作用:提取序列的局部特征(比如低频平滑、高频边缘),比如卷积核 [1/3, 1/3, 1/3] 是移动平均(平滑信号),[1, -2, 1] 是二阶微分(检测信号突变)。
(2)二维卷积(用于图像数据)

图像是二维网格(高度×宽度×通道),卷积核也是二维矩阵(比如3×3),运算逻辑和一维类似:

  • 例子:输入图像 X(M×N),卷积核 W(U×V),输出特征 Y 的每个元素:
    yij=∑u=1U∑v=1Vwuv⋅xi+u−1,j+v−1y_{ij} = \sum_{u=1}^U \sum_{v=1}^V w_{uv} \cdot x_{i+u-1, j+v-1}yij​=∑u=1U​∑v=1V​wuv​⋅xi+u−1,j+v−1​
  • 作用:提取图像的局部特征,比如3×3卷积核[111111111]\begin{bmatrix}1&1&1\\1&1&1\\1&1&1\end{bmatrix}​111​111​111​​ 是均值滤波(模糊图像),[−1−1−1−18−1−1−1−1]\begin{bmatrix}-1&-1&-1\\-1&8&-1\\-1&-1&-1\end{bmatrix}​−1−1−1​−18−1​−1−1−1​​ 是边缘检测(提取图像边缘)。

5.1.2 互相关:实际工程中的“卷积”

严格的卷积需要先将卷积核旋转180°,但在CNN中,卷积核是可学习的参数——旋转180°后的核和原核只是参数不同,学习能力完全一样。因此工程中常用互相关(不旋转卷积核) 代替卷积,减少计算开销。

  • 互相关与卷积的关系:互相关 = 卷积核不旋转的卷积;
  • 结论:CNN中的“卷积层”本质是互相关运算,不用纠结旋转细节,重点关注“滑动窗口加权求和”。

5.1.3 卷积的变种(步长+零填充)

为了灵活控制输出特征的大小,CNN中会给卷积加两个参数:步长和零填充。

(1)步长(Stride)

卷积核滑动时的“步幅”,比如步长=1(每次滑1个像素)、步长=2(每次滑2个像素)。

  • 作用:步长越大,输出特征越小(降维越快),但可能丢失信息;步长越小,输出特征越大(保留细节),但计算量越大。
(2)零填充(Zero Padding)

在输入数据的边缘补0,避免卷积后特征缩小(比如3×3卷积核作用于3×3图像,不补0输出1×1,补1圈0输出3×3)。

  • 三种常用卷积:
    1. 窄卷积:无零填充(P=0)、步长=1,输出大小 = 输入大小 - 卷积核大小 + 1;
    2. 等宽卷积:零填充P=(卷积核大小-1)/2、步长=1,输出大小 = 输入大小(最常用,比如保持图像尺寸不变);
    3. 宽卷积:零填充P=卷积核大小-1、步长=1,输出大小 = 输入大小 + 卷积核大小 - 1。

5.1.4 卷积的核心性质

  1. 交换性:宽卷积中,输入和卷积核交换后,结果不变(旋转180°后);
  2. 导数性质:损失函数对卷积核的梯度 = 输入数据与损失对输出的梯度的互相关;
  3. 局部性:输出特征的每个元素只依赖输入的局部区域(卷积核大小的窗口)——这是CNN能捕捉局部特征的关键。

5.2 卷积神经网络的结构:卷积层+汇聚层+全连接层

CNN的典型结构是“卷积层→汇聚层→卷积层→汇聚层→…→全连接层→输出层”,各层各司其职,协同完成特征提取和分类/回归。

5.2.1 卷积层:提取局部特征

卷积层是CNN的“特征提取器”,核心特性是局部连接和权重共享,这两个特性大幅减少了参数数量。

(1)局部连接

全连接层中,每个神经元与前一层所有神经元相连;而卷积层中,每个神经元只与前一层“局部窗口”内的神经元相连(窗口大小=卷积核大小)。

  • 例子:输入是100×100的图像,卷积核3×3,每个神经元只连3×3=9个输入——相比全连接的10000个连接,参数减少上千倍。
(2)权重共享

同一个卷积核在输入上滑动时,权重不变(所有局部窗口用同一个卷积核计算)。

  • 例子:3×3卷积核处理100×100图像,全连接需要100×100×3×3=90000个参数,权重共享后只需要3×3=9个参数;
  • 意义:一个卷积核对应一种“特征模板”(比如边缘检测、纹理检测),滑动过程中提取输入中所有位置的该类特征。
(3)多通道卷积(处理彩色图像/多特征映射)

彩色图像有RGB三个通道(深度=3),卷积层会为每个通道分配一个卷积核,再将所有通道的卷积结果相加,得到一个输出特征映射。

  • 若想提取多种特征(比如同时提取边缘、纹理),可以用多个卷积核(比如64个),最终输出64个特征映射(深度=64)。
  • 数学表达:输入 X(M×N×D),卷积核 W(U×V×D×P),输出 Y(M’×N’×P),其中第p个输出特征映射:
    Yp=∑d=1DWp,d⊗Xd+bpY^p = \sum_{d=1}^D W^{p,d} \otimes X^d + b^pYp=∑d=1D​Wp,d⊗Xd+bp
    (Wp,dW^{p,d}Wp,d 是第p个输出、第d个输入的卷积核,bpb^pbp 是偏置)。

5.2.2 汇聚层:降维+增强鲁棒性

汇聚层(池化层)紧跟在卷积层之后,核心作用是下采样——减少特征映射的大小(高度×宽度),降低计算量和过拟合风险,同时增强特征的平移不变性(比如物体稍微移动,汇聚后特征不变)。

(1)常用汇聚函数
  1. 最大汇聚(Max Pooling):取窗口内的最大值(最常用);
    • 例子:2×2窗口,输入 [1234]\begin{bmatrix}1&2\\3&4\end{bmatrix}[13​24​],最大汇聚输出4;
    • 优点:保留局部最显著的特征(比如边缘、纹理的强度),鲁棒性强。
  2. 平均汇聚(Mean Pooling):取窗口内的平均值;
    • 例子:2×2窗口,输入 [1234]\begin{bmatrix}1&2\\3&4\end{bmatrix}[13​24​],平均汇聚输出2.5;
    • 优点:保留全局信息,平滑噪声,但容易丢失细节。
(2)汇聚层的特点
  • 无参数:汇聚过程只有固定的计算规则(取最大/平均),没有可学习的参数;
  • 通常用2×2窗口、步长=2:刚好将特征映射的高度和宽度减半(比如100×100→50×50);
  • 深度不变:输入有P个特征映射,输出也有P个特征映射(只降维高度和宽度,不降深度)。

5.2.3 CNN的整体结构

一个典型的CNN结构如下(以图像分类为例):

  1. 输入层:图像原始数据(比如224×224×3的RGB图像);
  2. 卷积块:1~多个卷积层 + 1个汇聚层(比如“卷积→ReLU→卷积→ReLU→汇聚”);
    • 作用:逐步提取高层特征(从边缘→纹理→物体部件→物体整体);
  3. 全连接层:1~2个全连接层(将汇聚后的特征映射展平为向量,进行非线性转换);
  4. 输出层:Softmax层(多分类)或线性层(回归),输出预测结果。

5.3 参数学习:CNN的反向传播

CNN的参数是卷积核的权重和偏置,学习方法依然是“梯度下降+反向传播”,但由于卷积层和汇聚层的特殊性,梯度计算方式和前馈网络不同。

5.3.1 核心思路

  1. 前馈计算:输入→卷积→ReLU→汇聚→…→全连接→输出,计算损失;
  2. 反向传播:从输出层反向计算损失对每层参数的梯度,重点处理卷积层和汇聚层的梯度传递。

5.3.2 汇聚层的梯度传递

汇聚层无参数,只需将上层的梯度“上采样”传递到下层(恢复到汇聚前的大小):

  • 最大汇聚:上层梯度只传递到下层窗口内“最大值对应的位置”,其他位置梯度为0(因为只有最大值对输出有贡献);
  • 平均汇聚:上层梯度平均分配到下层窗口内的所有位置(因为每个位置都对平均值有贡献)。

5.3.3 卷积层的梯度计算

卷积层的梯度计算依赖卷积的导数性质:

  • 损失对卷积核 Wp,dW^{p,d}Wp,d 的梯度 = 输入特征映射 XdX^dXd 与损失对输出特征映射 YpY^pYp 的梯度的互相关;
  • 损失对偏置 bpb^pbp 的梯度 = 损失对输出特征映射 YpY^pYp 的梯度之和(每个输出元素都依赖偏置);
  • 数学表达(简化版):
    ∂L∂Wp,d=δp⊗Xd,∂L∂bp=∑i,jδi,jp\frac{\partial \mathcal{L}}{\partial W^{p,d}} = \delta^{p} \otimes X^d, \quad \frac{\partial \mathcal{L}}{\partial b^p} = \sum_{i,j} \delta^{p}_{i,j}∂Wp,d∂L​=δp⊗Xd,∂bp∂L​=∑i,j​δi,jp​
    (δp\delta^pδp 是损失对输出特征映射 YpY^pYp 的梯度)。

5.3.4 总结

CNN的反向传播本质是“前馈卷积的逆过程”——汇聚层上采样梯度,卷积层用互相关计算参数梯度,最终通过梯度下降更新卷积核和偏置。

5.4 典型的卷积神经网络

从LeNet-5到ResNet,CNN的发展核心是“更深、更高效、更能捕捉复杂特征”,以下是几个里程碑式的模型:

5.4.1 LeNet-5(1998):CNN的开山之作

  • 核心贡献:第一个成功应用的CNN,奠定了“卷积→汇聚→全连接”的经典结构;
  • 结构:输入(32×32灰度图)→C1(6个5×5卷积核)→S2(2×2平均汇聚)→C3(16个5×5卷积核)→S4(2×2平均汇聚)→C5(120个5×5卷积核)→F6(84个全连接神经元)→输出(10个类别);
  • 创新点:引入局部连接、权重共享,用卷积提取特征,汇聚降维;
  • 应用:手写数字识别(美国银行用来识别支票上的数字)。

5.4.2 AlexNet(2012):CNN爆发的起点

  • 核心贡献:首次证明CNN在大规模图像分类上的优越性(ImageNet竞赛冠军,准确率远超传统方法);
  • 结构:输入(224×224×3)→5个卷积层+3个汇聚层+3个全连接层→输出(1000类);
  • 关键创新:
    1. 用ReLU激活函数(替代Sigmoid,解决梯度消失);
    2. 用GPU并行训练(突破算力限制,能训练深层网络);
    3. 用Dropout(防止过拟合)、数据增强(提升泛化能力);
    4. 局部响应归一化(LRN,增强泛化能力)。

5.4.3 Inception v1(GoogLeNet,2014):高效利用计算资源

  • 核心问题:深层网络参数多、计算量大,容易过拟合;
  • 核心创新:Inception模块——并行使用1×1、3×3、5×5卷积核和3×3汇聚,再拼接输出;
    • 1×1卷积核的作用:降维(减少后续3×3/5×5卷积的参数,比如256维→64维);
  • 结构:22层网络,用多个Inception模块堆叠,引入“辅助分类器”(缓解深层网络梯度消失);
  • 贡献:在不增加过多参数的前提下,提升网络的特征捕捉能力。

5.4.4 ResNet(2016):突破深度限制

  • 核心问题:网络越深,梯度消失越严重,训练越困难(准确率先升后降);
  • 核心创新:残差连接(Shortcut Connection)——给卷积层加“直连边”,让输入直接传到输出:
    Y=f(X;θ)+XY = f(X; \theta) + XY=f(X;θ)+X
    (f(X;θ)f(X;\theta)f(X;θ) 是卷积层的非线性输出,X 是输入,直接相加);
  • 原理:残差连接让网络学习“残差”(Y−X=f(X;θ)Y - X = f(X;\theta)Y−X=f(X;θ)),比直接学习“原始映射”更容易,梯度能通过直连边直接传递到浅层,解决梯度消失;
  • 贡献:能训练上千层的网络,成为后续CNN的基础结构(比如ResNet-50、ResNet-101广泛用于工业界)。

5.5 其他卷积方式

除了基础的二维卷积,CNN还有很多进阶卷积方式,用于解决特定问题(比如上采样、扩大感受野)。

5.5.1 转置卷积(反卷积):用于上采样

基础卷积是“下采样”(输入大→输出小),转置卷积则是“上采样”(输入小→输出大),核心用途是恢复特征图大小(比如语义分割中,需要将小特征图恢复到原图大小)。

  • 原理:将卷积的“输入-输出”关系反转,比如3×3卷积核下采样5×5→3×3,对应的转置卷积能上采样3×3→5×5;
  • 注意:转置卷积不是卷积的逆运算,只是“形式上的转置”,主要作用是扩大特征图尺寸。

5.5.2 空洞卷积(膨胀卷积):扩大感受野

感受野是“神经元能看到的输入区域”——深层网络需要大感受野才能捕捉全局特征,但传统卷积扩大感受野需要下采样(会丢失信息)或增大卷积核(参数增多)。

  • 核心创新:在卷积核中插入“空洞”(比如膨胀率D=2,3×3卷积核变成5×5,中间插1个0),不用下采样也能扩大感受野;
  • 原理:膨胀率D越大,感受野越大,比如3×3卷积核:
    • D=1(无空洞):感受野3×3;
    • D=2(插1个空洞):感受野5×5;
    • D=3(插2个空洞):感受野7×7;
  • 应用:语义分割、目标检测(需要大感受野且保留细节)。

5.6 总结

CNN的核心是“用卷积提取局部特征、用汇聚降维、用深层结构捕捉复杂特征”,其成功的关键在于局部连接、权重共享、残差连接(解决参数爆炸、梯度消失问题)。

核心要点

  1. 卷积层的核心是“滑动窗口加权求和”,局部连接和权重共享减少参数;
  2. 汇聚层的核心是“下采样”,增强鲁棒性,不增加参数;
  3. 经典模型的演进:LeNet-5(奠基)→AlexNet(爆发)→Inception(高效)→ResNet(深层);
  4. 进阶卷积:转置卷积(上采样)、空洞卷积(扩大感受野),适用于分割、检测等任务。

深入阅读推荐

  • 想系统学CNN理论:《Deep Learning》(Goodfellow等)第9章;
  • 想了解卷积算术细节:《A Guide to Convolution Arithmetic for Deep Learning》;
  • 想深入经典模型:《Deep Residual Learning for Image Recognition》(ResNet论文)、《Going Deeper with Convolutions》(Inception论文)。
CNN卷积神经网络 CNN卷积神经网络 一、CNN卷积神经网络概念 卷积神经网络(Convolutional Neural Network,CNN)是一种前馈神经网络,它的人工神经元可以响应一部分覆盖范围内的周围单元,对于大型图像处理有出色表现。 二、CNN卷积神经网络原理 简要介绍下。神经网络的每个单元如下: 其对应的公式如下: 其中,该单元也可以被称作是Logistic回归模型。当将多个单元组合起来并具有分层结构时,就形成了神经网络模型。下图展示了一个具有一个隐含层的神经网络。其对应的公式如下: 比较类似的,可以拓展到有 阅读详情

相关推荐

CNN 卷积神经网络

滑动窗口方式除了计算量比较大,还有个问题就是窗口是离散的,所以大概率不会有窗口完美框到待识别物体,并且可能物体本身也不是正方形,因此单纯的滑动窗口无法准确给出边界。YOLO(you only look once)算法解决了上面问题,并且替换了滑动窗口。它将图像等分成n×n的格子,以下图为例3×3,然后识别3类物体,标签为8维数据,P_c每个格子是否有Object,有的话中心点坐标b_x、b_y,框的高度b_h,框的宽度b_w,softmax结果3个,然后训练。

djl806943371的博客 1263

【深度学习】第5章——卷积神经网络(CNN)

卷积操作就是用一个可移动的小窗口来提取图像中的特征,这个小窗口包含了一组特定的权重,通过与图像的不同位置进行卷积操作,网络能够学习并捕捉到不同特征的信息。(4)池化操作:降采样处理(down-pooling),是对不同位置的特征进行聚合统计。通常是取对应位置的最大值(最大池化)、平均值(平均池化)等;:(0的圈数)在外围边缘补充若干圈0,方便从初始位置以步长为单位可以刚好滑倒末尾位置,通俗地讲就是为了总长能被步长整除。(5)多层处理:一般而言,在图像处理中,一层卷积及降采样往往只学到了局部的特征。

铁盒薄荷糖的博客 567

卷积神经网络(CNN)

卷积神经网络(CNN) 一、CNN简介 ​ 卷积神经网络(CNN)是一种常见的深度学习架构,受生物自然视觉认知机制启发而来,20世纪 90 年代,LeCun et al. 等人发表论文,确立了CNN的现代结构。 ​ 人类识别图像的过程:瞳孔摄入像素;大脑皮层某些细胞初步处理,发现形状边缘、方向;抽象判定形状(如圆形、方形);进一步抽象判定(如判断物体是气球) CN...

一只特立独行的猪 2281

第5章(上)卷积神经网络理论解读

卷积神经网络(Convolutional Neural Network,CNN)是受生物学上感受野机制的启发而提出的。目前的卷积神经网络一般是由卷积层、汇聚层和全连接层交叉堆叠而成的前馈神经网络,有三个结构上的特性:局部连接、权重共享以及汇聚。这些特性使得卷积神经网络具有一定程度上的平移、缩放和旋转不变性。和前馈神经网络相比,卷积神经网络的参数更少。卷积神经网络主要应用在图像和视频分析的任务上,其准确率一般也远远超出了其他的神经网络模型。近年来卷积神经网络也广泛地应用到自然语言处理、推荐系统等领域。

weixin_46227276的博客 863

卷积神经网络CNN

本文学习笔记的部分内容参考zouxy09的博客,谢谢!http://blog.youkuaiyun.com/zouxy09/article/details/8775360 什么是卷积 卷积如果改名为“加权平均积”,就会很好理解了。卷积的离散形式就是常用的加权平均,而连续形式则可理解为对连续函数的加权平均。假如我们观测或计算出一组数据,但数据由于受噪音的污染并不光滑,我们希望对其进行人工处理。那么,

qustqustjay的专栏 5291

【第3章:卷积神经网络(CNN)——3.5 CIFAR-10图像分类】

好了,说了这么多,咱们也来总结一下吧!CNN作为一种深度学习的重要模型,在图像分类、图像识别等领域展现出了卓越的性能。通过多层卷积层和池化层的堆叠,CNN能够逐渐学习到更高级、更复杂的特征表示。而CIFAR-10作为一个常用的图像分类数据集,为咱们提供了一个检验算法和模型性能的绝佳平台。当然啦,CNN和CIFAR-10的故事还远远没有结束。随着深度学习技术的不断发展,咱们相信CNN会在未来继续发挥着重要作用,并推动着人工智能技术的不断前进。好啦,今天的分享就到这里啦!

商务合作|问题讨论|交流学习 请联系作者微信,加微信请务必注明来意,博客主页有联系方式 294

【深度学习基础】详解Pytorch搭建CNN卷积神经网络LeNet-5实现手写数字识别

本文相熟了卷积神经网络CNN的原理,并介绍了如何使用PyTorch框架搭建卷积神经网络模型CNN。实现了LeNet-5的模型的搭建、模型训练、测试、网络的复用、直观查看数据集的图片预测结果等,完成了机器学习领域的Hello world——手写数字识别。

Bossfrank的博客 1万+

第5章 计算机视觉与大模型5.1 计算机视觉基础5.1.2 卷积神经网络(CNN)

1.背景介绍 第5章 计算机视觉与大模型-5.1 计算机视觉基础-5.1.2 卷积神经网络(CNN) 作者:禅与计算机程序设计艺术 1. 背景介绍 计算机视觉是研究如何让计算机处理、 un

AI天才研究院 699

CNN卷积神经网络详解

1、cnn卷积神经网络的概念 卷积神经网络(CNN),这是深度学习算法应用最成功的领域之一,卷积神经网络包括一维卷积神经网络,二维卷积神经网络以及三维卷积神经网络。一维卷积神经网络主要用于序列类的数据处理,二维卷积神经网络常应用于图像类文本的识别,三维卷积神经网络主要应用于医学图像以及视频类数据识别。 2、卷积神经网络结构 卷积神经网络通常包含以下几层: 卷积层:卷积神经网路中每层卷积层由若干卷积单元组成,每个卷积单元的参数都是通过反向传播算法优化得到的。卷积运算的目的是提取输入的不同特征,第一层卷积层

qq_45301231的博客 1万+

华为eNSP Pro实战:NE/CE设备SSH远程配置避坑指南

本文针对华为eNSP Pro用户在模拟多台NE路由器或CE交换机时遇到的浏览器卡顿问题,提供了详细的SSH远程配置避坑指南。通过对比浏览器与SSH客户端的资源占用和操作体验,文章详细阐述了为NE和CE设备配置SSH服务的关键步骤、命令差异及常见错误排查方法,旨在帮助用户提升实验效率,实现稳定高效的远程管理。

weixin_29196891的博客 226

SMPTE ST 2110 概论(三)

SMPTE ST 2110 概论(三)ST 2110-30:未压缩的PCM音频流ST 2110-31:非PCM音频传输ST 2110-40:辅助数据传输结语 ST 2110-30:未压缩的PCM音频流 鉴于音频系统是广播系统中最复杂,也是最重要的一套系统,我们先来回顾一下广电音频系统的历史。 最老式的音频都是基于模拟信号的,具有有限的动态范围,并且用连续的电压变化来描述音频。再后来就基于数字信号(...

Cidd0422的博客 1万+

卷积神经网络实战之手写CNN

卷积神经网络学习目标1.卷积神经网络的组成1.1 卷积层1.2 卷积运算过程1.2 padding-零填充1.3 Valid and Same卷积1.4 奇数维度的过滤器1.5 stride-步长1.6 多通道卷积1.6.1 多卷积核1.6.2 卷积总结1.7 池化层1.8 全连接层2.经典分类网络解构2.1 LeNet-5解析2.2 AlexNet2.3 GoogleNet3.案例-CNN手写...

weixin_39451323的博客 7112

GD32F4系列定时器正交译码器实战:用TIMER1读取旋转编码器信号(附完整代码)

本文详细介绍了GD32F4系列定时器正交译码器的实战应用,重点讲解如何使用TIMER1模块高效读取旋转编码器信号。内容涵盖硬件连接、定时器配置、方向判断与速度计算等关键环节,并提供了完整的代码实现和优化建议,帮助开发者快速掌握GD32微控制器在工业控制和消费电子领域的编码器接口设计。

weixin_29169505的博客 203

卷积神经网络(CNN)基础介绍

卷积神经网络(CNN)基础介绍

网络资源是无限的 37万+

接入 deepseek 实现AI智能问诊

必须包含user角色,用于传递用户输入。system角色可选,用于设置对话背景。多轮对话需要将历史记录添加到messages中。

weixin_51326478的博客 6545

2021-10-29【微生物】丨基于qiime2工具16S/ITS分析全套流程(上)

目录摘要工具与方法使用命令结果展示总结二级目录三级目录 摘要 前两个月项目特别多,最近终于有机会闲下来写点文章,把之前搭建的流程梳理一遍。前同事分析16S/ITS使用的qiime1,我接手后感觉不太适应,希望能够使用新版本来搭建,于是花了几天时间重新搭了这个流程, 工具与方法 使用工具:qiime2 使用版本:qiime2-2021.4 参考文档:https://docs.qiime2.org/2021.4/(最新版本2021.8) 使用命令 在这里插入代码片 结果展示 总结 二级目录 三级目录 ...

1万+

【卷积神经网络详解与实例】5——入门CNN

卷积神经网络(CNN)是一种专为处理网格结构数据(如图像)设计的深度学习模型,其核心优势在于局部连接、权值共享和池化操作。相比全连接网络,CNN通过局部感受野提取层次化特征,显著减少参数数量并保持空间信息。关键组件包括卷积层(特征提取)、ReLU激活函数(引入非线性)、池化层(信息压缩)和全连接层(分类)。CNN的发展始于1998年LeNet-5的提出,2012年AlexNet在ImageNet竞赛中取得突破性成果。该模型有效解决了图像平移、缩放等变形问题,成为计算机视觉领域的重要基础架构。

colus_SEU的博客 1480

SQL的基本介绍

1.什么是数据库?2.什么是数据库管理系统?3.什么是 SQL?1.数据库是保存有组织的数据的容器,通常是一个文件或一组文件,可以将其看作电子化的文件柜。用户可以对文件中的数据执行新增、删除、更新、查询等操作。2.数据库管理系统是一种操纵和管理数据库的大型软件,用于建立、使用和维护数据库,简称DBMS。它对数据库进行统一的管理和控制,以保证数据库的安全性和完整性。用户可以通过 DBMS 访问数据库中的数据,数据库管理员也可以通过 DBMS 进行数据库的维护工作。

shiwei0813的博客 2879

深度学习:卷积神经网络CNN

http://blog.youkuaiyun.com/pipisorry/article/details/76571670 Convolutional Neural Networks卷积神经网络 卷积神经网络是人工神经网络的一种,已成为当前语音分析和图像识别领域的研究热点。它的权值共享网络结构使之更类似于生物神经网络,降低了网络模型的复杂度,减少了权值的数量。该优点在网络的输入是多维图像时表...

皮皮blog 6997

9.20华为OD机试真题 新系统 - 字符串分组求和 (Java/Py/C/C++/Js/Go)

9.20华为OD机试真题 新系统 - 字符串分组求和 (Java/Py/C/C++/Js/Go)

算法大师! 602

5步VS传统WinForm!AntdUI让界面设计从“土味”到“超模”只需30秒?

摘要:墨瑾轩编程教程《AntdUI的5大魔法步骤》详解如何将传统WinForm升级为现代化UI。教程通过5个核心步骤:安装AntdUI库、控件替换、主题定制、复杂布局构建及实战案例演示,对比传统开发与AntdUI在美观度(动态阴影/动画)、开发效率(拖拽组件VS手工绘制)和主题定制(一键换肤VS重写控件)的显著差异。使用C#代码示例展示按钮动画、3D翻转、聊天界面等特效实现,帮助开发者快速掌握这一基于Ant Design风格的WinForm增强框架。(150字)

java专栏 1129
上一篇: 第4章 前馈神经网络
下一篇: 第6章 循环神经网络
「已注销」
博客等级 码龄1年 312粉丝 132原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
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

打赏作者

「已注销」

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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