19 卷积-22池化层 6章

原创 已于 2022-07-18 20:48:36 修改 · 177 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#深度学习

于 2022-07-18 17:34:33 首次发布
本文详细探讨了卷积神经网络中卷积操作的计算过程，包括如何通过for循环实现点积求和，以及填充和步长对输出尺寸的影响。重点讲解了输入通道、输出通道、卷积核和填充策略的应用，涉及零填充梯度下降和torch.cat函数的使用。适合理解卷积层核心机制的开发者阅读。

 

 

 

 

 

 

 

 Y=...    输出的长=（X的长-卷积核的长+1， 宽。。）

for         遍历 i行往后看h行       列  与卷积核做点积   求和

 

 +1 -1  5:56秒

 

第一行    输入通道1 输出也是1 

X原来

Y卷积之后上面构造出来了 就是有0 和1

zero grad &back 梯度下降

 

 return 【2：】4维 拿掉前面两个通道 就是长宽

所有侧边都填充 那就是左右都填充一行 8+2-3+1=8 上面公式

上下填充2 左右填充1  8+4-5+1       8+2-3+1

 

 

 

zip 对最外面的一次次遍历https://www.youkuaiyun.com/tags/MtjaYg4sMzgzNDMtYmxvZwO0O0OO0O0O.htmlicon-default.png?t=M666https://www.youkuaiyun.com/tags/MtjaYg4sMzgzNDMtYmxvZwO0O0OO0O0O.html

 

 

 

ci是输入通道数 &h&w 是输入x的东西

co是输出通道K的第一个shape 就是卷积核几个通道   输出就几个

 reshape(m,n) 即： 将矩阵变成 m x n列矩阵

reshape(p,m,n)  p行 m*n矩阵

X 均值0 方差1       3*3*3

K   0,1，（输出2  输入3  1*1kernel）

《1e-6  就是基本一样        1*1相当于全连接层

 

 

 

（1,1）通道1 批量大小1     3 :24 

 

torch.cat 连接 函数将两个张量（tensor）按指定维度拼接在一起

 torch.cat — PyTorch 1.12 documentationicon-default.png?t=M666https://pytorch.org/docs/stable/generated/torch.cat.html?highlight=torch%20cat#torch.cat

 

 

 

 上面画错了  应该是234和678是第二框

填充 步长1

12不要    123不要看

俺想发SCI
关注
卷积核、池化层输出尺寸计算公式，VGG16神经网络结构图及各层推导及PyTorch实现代码
Zijie123pea的博客
03-17 4865
卷积层   使用卷积处理图像，输出的图像的尺寸为： Wout=Win−Wfilter+2PS+1W_{out}=\frac{W_{in}-W_{filter}+2P}{S}+1Wout​=SWin​−Wfilter​+2P​+1 Hout=Hin−Hfilter+2PS+1H_{out}=\frac{H_{in}-H_{filter}+2P}{S}+1Hout​=SHin​−Hfilter​+2P​+1   公式中WfilterW_{filter}Wfilter​和HfilterH_{filter}Hfil
大小 池化层_吴恩达深度学习笔记(79)-池化层讲解（Pooling layers）
weixin_39764603的博客
12-04 1336
池化层(Pooling layers)除了卷积层，卷积网络也经常使用池化层来缩减模型的大小，提高计算速度，同时提高所提取特征的鲁棒性，我们来看一下。先举一个池化层的例子，然后我们再讨论池化层的必要性。假如输入是一个4×4矩阵，用到的池化类型是最大池化(max pooling)。执行最大池化的树池是一个2×2矩阵。执行过程非常简单，把4×4的输入拆分成不同的区域，我把这个区域用不同颜色来标记。对于2...
22 池化层 [动手学深度学习v2]
gpx33333的博客
11-28 2430
卷积层对位置非常敏感 池化层可以缓解卷积层对位置的敏感性；返回窗口中的最大或平均值；在每个通道上单独运算；同样有窗口大小、填充、和步幅作为超参数。 实现池化层的正向传播 import torch def pool2d(X, pool_size, mode='max'): p_h, p_w = pool_size Y = torch.zeros((X.shape[0] - p_h + 1, X.shape[1] - p_w + 1)) for i in range(Y.s..
卷积神经网络---详解卷积运算、池化操作(Pooling)
weixin_49145300的博客
04-17 5718
图像在计算机中的本质是卷积运算中多通道（例如64通道）与颜色无关，指的是每个特征图所提取的特征所提取的特征。
卷积神经网络——卷积层和池化层
qq_38883271的博客
01-05 7784
卷积神经网络的概念最早出自科学家提出的感受野，在19世纪60年代科学家通过对猫的视觉皮层细胞研究发现，每一个视觉神经元只会处理一小块区域的视觉图像。这明显区别于传统的神经网络，传统的神经网络是一种全连接模型，在处理大量数据时，由于这种全连接模型使得模型复杂度大大提升，而且易出现过拟合的现象。 然而在卷积神经网络中，可以利用空间结构关系减少需要学习的参数量，提高算法的训练效率。而且，第一个卷积层会直...
卷积神经网络（CNN）:卷积和池化
2401_83189603的博客
08-13 1154
卷积神经网络（CNN）是处理图像数据的深度学习模型，主要由卷积层、池化层和全连接层构成。卷积层通过卷积核自动提取图像特征，池化层通过下采样降低计算量，全连接层则输出最终结果。文章详细介绍了CNN的核心组件：卷积层使用不同大小的卷积核进行特征提取，池化层包括最大池化和平均池化两种方法，并提供了PyTorch实现代码。最后展示了一个自定义CNN模型示例，包含卷积、池化和全连接层的组合应用。CNN在计算机视觉等领域具有重要作用，能够有效处理高维图像数据并保留关键特征。
神经网络卷积层与池化层
Vteran的博客
02-05 1398
神经网络卷积层与池化层基础
CNN：卷积思想，卷积层，池化层
2301_81369230的博客
08-26 1020
本文介绍了卷积神经网络(CNN)的基本原理和核心组件。CNN由卷积层、池化层和全连接层构成，其中卷积层通过局部连接和权重共享机制提取图像特征，池化层则通过下采样降低计算量。文章详细讲解了卷积核参数设置、边缘填充、步长等关键概念，并通过代码示例展示了多通道卷积和多卷积核的实现方式。此外，还介绍了最大池化和平均池化的计算方法及其应用场景。最后通过一个完整的CNN网络构建实例，演示了如何将卷积层、池化层和全连接层组合起来进行图像分类任务。CNN凭借其强大的特征提取能力，在计算机视觉领域具有广泛应用。
卷积-转置卷积-空洞卷积-深度可分离卷积-分组卷积-可变形卷积
studyeboy的专栏
06-22 2566
A guide to convolution arithmetic for deep learning conv_arithmetic 卷积，空洞卷积、可分离卷积
2020-2-19 深度学习笔记9 - 卷积网络2（池化，卷积与池化作为一种无限强的先验）
weixin_42555985的博客
03-06 815
第九章 卷积网络 官网 2020-2-19 深度学习笔记9 - 卷积网络1（卷积运算，动机-稀疏交互、参数共享、等变表示） 池化 回顾一下CNN卷积神经网络层级结构，看一下池化的位置 卷积网络中一个典型层包含三级，如下图所示。 在第一级中，这一层并行地计算多个卷积产生一组线性激活响应。 在第二级中，每一个线性激活响应将会通过一个非线性的激活函数，例如整流线性激活函数。这一级有时也被称为探测级。 ...
VGG_19_layers_Network-master_caffe_VGG-19_vgg19_VGG-19Network_卷积
10-02
3. **池化层**：在VGG-19中，通常在几个卷积层之后会插入一个最大池化层（Max Pooling Layer）。池化层可以降低数据的空间维度，减少计算量，同时保持主要特征不变。 4. **全连接层**：在卷积层之后，VGG-19有三个...
深度学习中的卷积神经网络（CNN）：卷积层与池化层详解
专注于Python爬虫开发，分享爬虫技巧、项目实战与反爬经验，使用Scrapy、BeautifulSoup等工具，解决数据抓取难题。
08-18 913
卷积神经网络（CNN）是深度学习领域中一种常用且高效的神经网络结构，特别在图像处理、语音识别、视频分析等领域表现卓越。CNN 的核心优势在于其能够自动提取图像或其他输入数据的空间特征，减少了人工特征工程的需求。本文将深入探讨 CNN 的两个核心组成部分：卷积层（包含卷积核和卷积计算）与池化层（包括最大池化和平均池化）。理解这些基本概念和技术细节是掌握深度学习、计算机视觉等技术的基础。
卷积、池化、VGG16
qq_39667860的博客
04-30 2074
1.卷积 1.1卷积原理 从本质上讲，卷积的计算过程其实同全连接一样，也是各个神经元之间的线性组合。只是卷积操作在进行线性组合时选择的是特定位置上的神经元。 如上图所示，卷积操作其实就是每次取一个特定大小的矩阵F（蓝色矩阵中的阴影部分），然后将其对输入X（图中蓝色矩阵）依次扫描并进行内积的运算过程。可以看到，阴影部分每移动一个位置就会计算得到一个卷积值（绿色矩阵中的阴影部分），当F扫描完成后就得到了整个卷积后的结果Y（绿色矩阵）。 同时，我们将这个特定大小的矩阵F称为卷积核，即convolutional
【民族服饰识别系统】Python+TensorFlow+Vue3+Django+人工智能+深度学习+卷积网络+resnet50算法
子午的博客
11-30 810
民族服饰识别，民族服饰智能识别与分析系统基于TensorFlow框架，采用卷积神经网络（CNN）算法构建而成。系统在收集了回族、汉族、满族、苗族四类典型民族服饰图像数据集的基础上，通过多轮迭代训练，最终生成高精度识别模型，并配合Web可视化平台实现便捷交互。前端后端：Django算法：TensorFlow、卷积神经网络算法具体功能系统分为管理员和用户两个角色，登录后根据角色显示其可访问的页面模块。登录系统后可发布、查看、编辑文章，创建文章功能中集成了markdown编辑器，可对文章进行编辑。
【动物识别系统】Python+TensorFlow+Django+人工智能+深度学习+卷积神经网络算法
子午的博客
12-01 424
动物识别系统，基于TensorFlow搭建Resnet50卷积神经网络算法，通过对4种常见的动物图片数据集（猫、鸡、马、狗）进行训练，最后得到一个识别精度较高的模型，然后搭建Web可视化操作平台。技术栈项目前端使用Html、CSS、BootStrap搭建界面。后端基于Django处理逻辑请求基于Ajax实现前后端数据通信选题背景与意义在人工智能技术蓬勃发展的当下，动物识别作为计算机视觉领域的重要应用方向，有着广泛的实际需求，如动物保护监测、智能安防等场景均需精准高效的动物识别能力。
深入浅出卷积神经网络（CNN）：从LeNet到Vision Transformer的演进及其实战应用
最新发布
云雾J视界的博客
12-04 728
本文系统梳理卷积神经网络从LeNet到Vision Transformer的演进脉络，聚焦“为何选用ResNet而非VGG”这一典型面试问题，揭示其背后的技术选型逻辑。文章基于CVPR、ICLR等顶会论文及MLPerf等公开基准，深入剖析四代架构——奠基（LeNet/AlexNet）、深度爆发（VGG/ResNet）、效率觉醒（MobileNet）与注意力时代（ViT/ConvNeXt）的核心创新与工程权衡。
深度学习1-软件安装
诚朴勇毅
12-03 264
为了研究深度学习与信号处理的结合，我又开始搞起了深度学习，博一的时候浅试过一次都失败了，这次打算学习一下Pytorch和一些最新的网络，好好做几篇论文。首先就是搭环境。我先安装了一个Anaconda，从网上搜了一大堆，我的理解是，Anaconda就是一个包管理器，因为pythoh版本太多了，而且要装的包也很多，各种包之间容易产生冲突，为了杜绝这个问题，我们可以安装一个Anaconda，它就像一个虚拟机，可以创建不同的操作系统，我们创建的不同任务和工程可以跑在不同的环境下。
【代码分享】基于CNN（卷积神经网络）-BiLSTM（双向长短时记忆网络）-KDE（核密度估计）的多变量时间序列预测
2501_94304238的博客
11-30 1703
本文提出了一种基于CNN-BiLSTM-KDE的多变量时间序列预测模型。该模型结合CNN提取时空特征，BiLSTM捕捉时序依赖，并创新性地引入KDE进行误差分布建模，实现高精度的点预测和可靠的区间预测。模型支持任意维度的风电、光伏等能源数据输入，自动完成预处理、训练和预测全过程。实验结果表明，该方法在预测精度和不确定性量化方面表现优异，为能源预测等场景提供了端到端的解决方案。
循环神经网络（RNN）：从序列数据难题到实战落地的完整指南
倔强的石头的博客
12-01 1015
循环神经网络（RNN）是专为处理序列数据设计的深度学习模型，解决了传统神经网络无法捕捉序列依赖关系的核心问题。RNN通过记忆状态（Hidden State）实现短期记忆功能，在处理文本、时间序列等数据时能够保留前序信息。其核心结构包括输入层、循环单元和输出层，通过共享权重参数实现序列元素的连续处理。然而，传统RNN存在梯度消失/爆炸的缺陷，导致长序列处理能力受限。为此，LSTM和GRU等改进模型引入门控机制，通过遗忘门、输入门和输出门精细调控记忆更新，显著提升了长序列建模能力。
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
 
红包 添加红包
表情包 插入表情
表情包 代码片
 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
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