卷积神经网络详细讲解 及 Tensorflow实现

最新推荐文章于 2024-08-01 12:28:11 发布
原创 最新推荐文章于 2024-08-01 12:28:11 发布 · 1.7k 阅读 · 3 ·
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：

#CNN #卷积 #神经网络 #Tensorflow #池化

本文详细介绍了卷积神经网络（CNN）的概念，包括数据输入层、卷积计算层、ReLU激励层、池化层和全连接层。讨论了CNN的优缺点，并列举了经典CNN模型如LeNet、AlexNet、VGGNet和GoogleNet。同时，提供了基于Tensorflow的CNN实现代码参考。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

【附上个人git完整代码地址：https://github.com/Liuyubao/Tensorflow-CNN】
【如有疑问，更进一步交流请留言或联系微信：523331232】

Reference

本文主要参考以下链接：

分为以下几个部分进行讲解

  1. 从神经网络到卷积神经网络
  2. 深入卷积神经网络
  3. 经典卷积神经网络
  4. 总结

一、从神经网络到卷积神经网络

这里写图片描述

上面是最基本最普通的神经网络，卷积神经网络跟它是什么关系呢？


其实卷积神经网络依旧是层级网络，只是层的功能和形式做了变化，可以说是传统神经网络的一个改进。比如下图中就多了许多传统神经网络没有的层次。

这里写图片描述

从以下5层来对神经网络进行介绍：

  1. 数据输入层/ Input layer
  2. 卷积计算层/ CONV layer
  3. ReLU激励层 / ReLU layer
  4. 池化层 / Pooling layer
  5. 全连接层 / FC layer

二、深入卷积神经网络

【2.1 数据输入层】

对原始图像数据进行预处理

• 去均值：把输入数据各个维度都中心化为0，如下图所示，其目的就是把样本的中心拉回到坐标系原点上。


• 归一化：幅度归一化到同样的范围，如下所示，即减少各维度数据取值范围的差异而带来的干扰，比如，我们有两个维度的特征A和B，A范围是0到10，而B范围是0到10000，如果直接使用这两个特征是有问题的，好的做法就是归一化，即A和B的数据都变为0到1的范围。



• PCA/白化：用PCA降维；白化是对数据各个特征轴上的幅度归一化

这里写图片描述

在CNN的输入层中，（图片）数据输入的格式 与 全连接神经网络的输入格式（一维向量）不太一样。

CNN的输入层的输入格式保留了图片本身的结构（多维向量）。

  • 黑白: 28×28

这里写图片描述

  • RGB: 3×28×28

这里写图片描述

【2.2 卷积计算层】

在卷积层中有2个重要的概念：

local receptive fields（感受视野）

shared weights（共享权值）

这里写图片描述

这里写图片描述

设移动的步长为1：从左到右扫描，每次移动 1 格，扫描完之后，再

向下移动一格，再次从左到右扫描。

这里写图片描述

这里写图片描述

【2.3 激励层】

激励层主要对卷积层的输出进行一个非线性映射，因为卷积层的计算还是一种线性计算。

使用的激励函数一般为ReLu函数：

f(x)=max(x,0)


卷积层和激励层通常合并在一起称为“卷积层”。

这里写图片描述

【2.4 池化层】

池化层夹在连续的卷积层中间， 用于压缩数据和参数的量，减小过拟合。


简而言之，如果输入是图像的话，那么池化层的最主要作用就是压缩图像。

这里写图片描述

池化层用的方法有Max pooling 和 average pooling，而实际用的较多的是Max pooling。

这里就说一下Max pooling，其实思想非常简单。

这里写图片描述

【2.5 全连接层】

两层之间所有神经元都有权重连接，通常全连接层在卷积神经网络尾部。

也就是跟传统的神经网络神经元的连接方式是一样的：

这里写图片描述

【2.6 卷积神经网络的优缺点】

优点

　　• 共享卷积核，对高维数据处理无压力

　　• 无需手动选取特征，训练好权重，即得特征分类效果好

缺点

　　• 需要调参，需要大样本量，训练最好要GPU

　　• 物理含义不明确（也就说，我们并不知道没个卷积层到底提取到的是什么特征，而且神经网络本身就是一种难以解释的“黑箱模型”）

三、经典卷积神经网络

  • LeNet，这是最早用于数字识别的CNN
  • AlexNet， 2012 ILSVRC比赛远超第2名的CNN，比LeNet更深，用多层小卷积层叠加替换单大卷积层。
  • ZF Net， 2013 ILSVRC比赛冠军
  • GoogLeNet， 2014 ILSVRC比赛冠军
  • VGGNet， 2014 ILSVRC比赛中的模型，图像识别略差于GoogLeNet，但是在很多图像转化学习问题(比如object detection)上
    效果奇好

这里写图片描述
【3.1 LeNet】
第一个卷积神经网络，1994年由Yann LeCun基于1988年以来的工作提出，并命名为LeNet5。

贡献

  • 在神经网络中引入卷积层
  • 引入下采样
  • 卷积+池化(下采样)+非线性激活的组合是CNN的典型特征
  • 使用MPL作为分类器

这里写图片描述

【3.2 Dan Ciresan Net】

2010年，Dan Claudiu Ciresan和Jurgen Schmidhuber实现了第一个GPU神经网络。

【3.3 AlexNet】

AlexNet是2012年ImageNet比赛的冠军，第一个基于CNN的ImageNet冠军，网络比LeNet5更深(8层)。

贡献

  • 使用ReLU作为非线性激活函数
  • 数据扩增
  • 使用最大池化
  • 使用dropout避免过拟合
  • 使用GPU减少训练时间

从AlexNet之后，深度学习就变成了一种叫做”解决任务的更大规模的神经网络”的技术。

这里写图片描述

【3.4 VGGNet】

VGG是2014年的ImageNet分类的亚军，物体检测冠军，使用了更小的卷积核(3x3)，并且连续多层组合使用。

贡献

  • 更深
  • 连续多个3x3的卷积层

VGG论文的一个主要结论就是深度的增加有益于精度的提升，这个结论堪称经典。

这里写图片描述

【3.5 GoogleNet】

GoogLeNet是2014年的ImageNet图像分类的冠军，比VGG19多3层，而其参数却只有AlexNet的1/12，同时获得了当时state-of-the-art的结果。

Inception模块使用1x1的卷积（bottleneck layer）减少了特征数量，同时，分类器部分只保留了必要的一个全连接层，极大的降低了运算数量。Inception模块是GoogLeNet以更深的网络和更高的计算效率取得更好的结果的主要原因。
此后，Inception模块不断改进，产生了Inception-2和Inception-3。

最低0.47元/天 解锁文章

200万优质内容无限畅学
TensorFlow深度学习实战（8）——卷积神经网络
盼小辉丶的博客
02-17 4239
卷积神经网络 (Convolutional Neural Network, CNN) 是一种非常强大的深度学习模型，广泛应用于图像分析、目标检测、图像生成等任务中。CNN 的核心思想是卷积操作和参数共享，卷积操作通过滑动滤波器(也称为卷积核)在输入数据上进行元素级的乘积和求和运算，从而提取局部特征。通过多个滤波器的组合，CNN 可以学习到不同层次的特征表示，从低级到高级的抽象特征。本节从传统全连接神经网络的缺陷为切入点，介绍了卷积神经网络的优势及其基本组件，并使用 TensorFlow 构建卷积神经网络。
【TensorFlow学习笔记】进阶篇（二）卷积神经网络详解_MINIST实例（CNN_Lenet5）
机器人技术栈
03-20 1632
绪论 在前一章中，我们学会了制作自己的数据集，不同于mnist数据集，我们自制的数据集图片是彩色图。 如果在全连接网络直接输入的是三通道的RGB彩色图片，待优化的参数过多容易导致模型过拟合，而且计算量过大。所以实际应用中会先对原始图像进行特征提取（卷积）再把提取到的特征喂给全连接网络，再让全连接网络进行参数优化，得到分类评估。这样可以减小计算量等。 卷积神经网络一般由卷积部分和全连接部分构成。卷积...
Tensorflow深度学习之十：Tensorflow实现经典卷积神经网络AlexNet
DaVinciL的博客
07-29 2369
之前接触了简单卷积神经网络，以后我们将利用Tensorflow提供的函数实现几个经典的卷积神经网络。这里我们简单介绍一下AlexNet网络。AlexNet的网络结构如下： 因为AlexNet训练时使用了两块GPU，因此这个结构图中不少组件都被拆成了两部分。现在我们GPU的显存可以放下全部模型数据，因此只考虑一块GPU的情况即可。以下是利用Tensorflow代码实现AlexNet网络。因为使用Al
利用tensorflow实现神经网络卷积层、池化层、全连接层
Peter清风
03-14 4152
第一步：导入相应的库 import tensorflow as tf import numpy as np 第二步：准备数据（随机生成一维数据） data_size=25 x_data=np.random.normal(size=data_size) x_input_1d=tf.placeholder(dtype=tf.float32,shape=[x_data]) 第三步：搭建一个简...
06.图像识别与卷积神经网络------《Tensorflow实战Google深度学习框架》笔记
爱草莓的番茄酱的博客
05-02 3987
一、图像识别问题简介及经典数据集图像识别问题希望借助计算机程序来处理、分析和理解图片中的内容，使得计算机可以从图片中自动识别各种不同模式的目标和对象。图像识别问题作为人工智能的一个重要领域，在最近几年已经取得了很多突破性的进展，其中，卷积神经网络就是这些突破性进展背后最主要的技术支持。如下为一些经典的数据集介绍：ImageNet         ImageNet是一个计算机视觉系统识别项目，是目前...
【从零开始学习Tensorflow】（四）第6章 图像识别与卷积神经网络
欢迎来到无尾君的小窝
04-10 4767
转载请注明作者和出处： https://blog.youkuaiyun.com/weixin_37392582 代码平台：https://gitee.com/wuweijun 开发平台： Win10 + Python3.6 + Anaconda3 笔  者： 无尾 笔者注：【从零开始学习Tensorflow】系列博客为《Tensorflow + 实战 Google 深度学习框架》一书的学...
基于tensorflow+CNN卷积神经网络实现的交通标志识别python源码+文档说明+代码解释+项目流程图+数据.zip
03-11
基于tensorflow+CNN卷积神经网络实现的交通标志识别python源码+文档说明+代码解释+项目流程图+数据.zip本次将分享交通标志的识别， 本次项目实现主要采用CNN卷积神经网络，具体的网络结构参考Lecun提出的LeNet结构，...
卷积神经网络理论(CNN)·基于tensorflow实现
最新发布
2303_77275067的博客
08-01 1182
讲述CNN理论，以及基于tensorflow实现
（4-1）TensorFlow卷积神经网络实战：卷积神经网络基础
码农三叔
06-09 1159
卷积神经网络（Convolutional Neural Networks，简称CNN）是一类包含卷积计算且具有深度结构的前馈神经网络（Feedforward Neural Networks），是深度学习（deep learning）的代表算法之一在本章的内容中，将详细讲解使用TensorFlow实现卷积神经网络操作的知识。
TensorFlow基于CIFAR10数据集的卷积神经网络CNN实现
12-28
该压缩包包括了TensorFlow基于CIFAR10数据集的卷积神经网络的代码实现，以及多个测试结果的测试图片。
tensorflow之卷积神经网络
youzi1992的博客
05-10 308
写在前面 这段时间，不论是情绪还是心境都有点和以前大不相同。细细想来，真的是好久没有认真静下心来好好学习一些东西了。 这段时间想要研究一些深度学习相关的内容，就以这篇博客作为开端吧。 tensorflow自带教程 classify_image.py解析 python语言和tensorflow框架我都不是很熟悉，所以关于classify_image.py这段源码的解释会尽可能的详尽。 #...
tensorflow实现简单的卷积神经网络
OliverkingLi的博客
06-27 924
import input_data import tensorflow as tf mnist = input_data.read_data_sets("D:\python\project\deeplearn_dairy\AutoEncoder\MNIST_data", one_hot=True) # 创建默认的Interactive Session sees = tf.InteractiveS
使用tensorflow构建一个卷积神经网络
修炼之路
06-05 5075
一、卷积神经网络卷积神经网络(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，主要包括卷积层(convolutional layer)和池化层(pooling layer)，主要应用于图像、视频、时间序列信号、音频信号、文本数据等。一般的卷积神经网络都是由多个卷积层组成，每个卷积层主...
卷积神经网络(CNN)与TensorFlow实现
MISADS的博客
10-27 2054
CNN的简介 卷积神经网络（CNN）由输入层、卷积层、激活函数、池化层、全连接层组成，即INPUT-CONV-RELU-POOL-FC。CNN在图像识别、文本分类等方面都有着广泛的应用。本文将结合TensorFlow代码介绍一个完整的卷积神经网络中需要用到的以下内容： 输入层 * reshape操作 卷积层 * 填充(padding) * 卷积(tf.nn.conv2d) ...
卷积神经网络可视化的探索
Axlsss的博客
07-08 1008
卷积神经网络可视化的探索
十、卷积神经网络的可视化1
xlw_6569的博客
02-20 1137
为了提取想要查看的特征图，我们需要创建一个 Keras 模型，以图像批量作为输入，并输出所有卷积层和池化层的激活。模型实例化需要两个参数：一个输入张量（或输入张量的列表）和一个输出张量（或输出张量的列表）。人们常说，深度学习模型是“黑盒”，即模型学到的表示很难用人类可以理解的方式来提取和呈现。这是你在本书中第一次遇到的多输出模型，之前的模型都是只有一个输入和一个输出。可视化中间激活，是指对于给定输入，展示网络中各个卷积层和池化层输出的特征图（层的输出通常被称为该层的激活，即激活函数的输出）。
卷积神经网络的模型解释与可视化
AI天才研究院
03-26 692
"卷积神经网络的模型解释与可视化" 作者：禅与计算机程序设计艺术 1. 背景介绍 卷积神经网络（Convolutional Neural Network, CNN）是深度学习领域中最为成功的模型之一。它在图像分类、目标检测、语义分割等计算机视觉任务中取得了突
卷积神经网络特征图可视化（自定义网络和VGG网络）
热门推荐
牧野的博客
07-27 7万+
  借助Keras和Opencv实现的神经网络中间层特征图的可视化功能，方便我们研究CNN这个黑盒子里到发生了什么。   自定义网络特征可视化   代码： # coding: utf-8 from keras.models import Model import cv2 import matplotlib.pyplot as plt from keras.models import...
TensorFlow实现卷积神经网络
健身房
05-31 1948
卷积神经网络概述   卷积神经网络(Convolutional Neural Network，CNN)最初是为解决图像识别等问题设计的，CNN现在的应用已经不限于图像和视频，也可用于时间序列信号，比如音频信号和文本数据等。在早期的图像识别研究中，最大的挑战是如何组织特征，因为图像数据不向其他类型的数据那样可以通过人工理解提取特征。在深度学习之前，我们必须借助SIFT、HoG等算法提取具有良好区分性的特征，再集合SVM等机器学习的算法进行图像识别。   CNN作为一个深度学习架构被提出的最初诉求，是降低对图
TensorFlow实现人脸识别的卷积神经网络教程
综上所述，这份资源为用户提供了一个全方位的指导，不仅涵盖了卷积神经网络和人脸识别的基础知识，还详细讲解了如何在TensorFlow框架中实现一个高效的人脸识别系统。对于希望深入学习深度学习和机器视觉的开发者而言...
评论
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