lecture3 卷积神经网络(CNN)

最新推荐文章于 2026-01-09 16:00:52 发布
原创 最新推荐文章于 2026-01-09 16:00:52 发布 · 804 阅读 · 7 ·
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 #人工智能 #神经网络

一、导入：图片分类

输入：一样尺寸的图像
在这里插入图片描述

1. 机器识别图像原理

怎样输入一张图片呢

  • 对于机器来说，一张图片是3维的tensor(tensor是维度>2的矩阵)
  • 3维分别是长宽（这张图片的Pixel(像素)数目）和channel(R G B三种颜色)
  • 所以一张图片就是100x100x3个数值组成的，把他们拉成一排，组成一个向量。
  • 向量里面每一维就是某个像素某个颜色的强度

在这里插入图片描述

2. 全连接网络问题 —overfitting

每一个神经元都要都要看完整的图片，如果有1000个Neuron，第一层的weight有3x10^7，非常大
但是过多的参数，模型弹性过大—模型可选择的函数多—函数较为复杂—容易过拟合

在这里插入图片描述

3. 简化方法

(1) 感受野

一个神经元只需要局部信息就可以确定图片类型
下图识别鸟只需要将其各个pattern给各个神经元
在这里插入图片描述
确定一个receptive field（感受野）作为一个神经元的输入，再将其结果作为下一个神经元的输入

在这里插入图片描述

特点

  • Receptive Field之间可以重叠
  • 两个不同的神经元可以守备同一个receptive field
  • 一个神经元可以不全考虑3个channel
  • receptive field可以不是正方形

在这里插入图片描述

一般设定方式

  • 考虑它所有的channels（3）
  • 只讲高和宽 kernel size（图中eg:3x3）
  • 一个感受野可以有多个神经元守备
  • stride（步幅）通常设为1或2
  • 移动到旁边没有足够的值了，需要padding（补值）一般为0
  • 最终感受野会覆盖整个图片

在这里插入图片描述

(2)参数共享

同一个pattern可能出现在图片的不同感受野，而不同感受野的神经元的作用是一样的
在每个范围都放一个侦测鸟嘴的Neuron，会导致参数太多了
在这里插入图片描述

在不同的receptive filed共享参数
这两个Neuron的weight是完全一样的，但他们的输入是不一样的，输出也不一样

在这里插入图片描述

比如：
两个感受野都由64个Neuron来守护
两个感受野里面的Neuron一一对应来共用一组参数，这组参数叫做filter i

在这里插入图片描述
引出卷积层
在这里插入图片描述

(3)pooling（池化）- Max pooling

作用：pooling做的事情就是把图片变小，减少计算量

  • Pooling是可有可无的

每个filter扫过图片后会产生一组数字
将这组数字分组，再在每个组里面选择最大值作为代表（最大池化）
在这里插入图片描述
可能卷积几次中穿插一次池化
在这里插入图片描述

二、卷积层是什么

第二种方式引出CNN的方式
什么叫做Convolutional Layer（卷积层）呢

里面有很多的Filter（滤波器/卷积核）
Filter来抓取图片里的一个pattern

在这里插入图片描述

每一个Filter都进行滑动卷积，stride设为1

在这里插入图片描述

一个Filter能得到一组数字，64个就能得到64组数字，组成Feature map Feature
map就可以看成是另外一张新的图片，有64个channel

在这里插入图片描述
如果要将第一层的结果“图片”当作第二层的输入
第二层Convolution的Filter高度也等于64（相当于channel数）

两种方式比较而言
前者里面Neuron共用的参数其实就是后者里面的Filter
在这里插入图片描述

权值共享其实就是将Filter扫过一张图片（convolution）
其实就是不同感受野的神经元可以共享一个Filter

在这里插入图片描述

二、CNN架构

Flatten是将矩阵拉直成向量
再传入全连接神经网络里面
在这里插入图片描述

卷积神经网络 (CNN) 原理与代码实例讲解
欢迎来到我的优快云空间！这里聚焦AI大模型应用实战，分享前沿技术、实战案例与开发经验。
12-28 782
卷积神经网络 (CNN) 原理与代码实例讲解 关键词：卷积神经网络,深度学习,图像处理,卷积,池化,激活函数,损失函数,反向传播,源代码,详细解释,运行结果展示 1. 背景介绍 1.1
《PyTorch深度学习实践》Lecture_10 卷积神经网络基础 CNN
Lilo_的博客
03-29 535
B站刘二大人老师的《PyTorch深度学习实践》Lecture_10 重点回顾+代码复现 Lecture_10 卷积神经网络 Convolutional Neural Network 一、重点回顾 （一）卷积神经网络的结构 （二）卷积层：特征提取 1. 单输入通道 滤波器filter/卷积核kernel在输入图像上滑动，遍历，并做数乘运算（对应元素相乘）再相加【即互相关运算】得到输出。 2. 多输入通道 输出通道的高和宽 = 输入通道的高和宽 - 卷积核的高和宽 + 1 卷积核通道数 = 输入通
【AI学习笔记10】卷积神经网络CNN反向传播原理 The principle of CNN backpropagation
2301_76992325的博客
03-02 744
max pooling在前向传播中，把一个patch中最大的值传递给下一层，其他值会被舍弃掉。因此，在反向传播中，就是将当前梯度直接传递给前一层的某个像素，而让同一个patch中的其他像素值为0。《【CNN基础知识】一文详解反向传播（Backpropagation）在CNN中如何具体实现——卷积、池化(上)》开始推导反向传播原理之前，先回顾一下偏导数（Partial Derivatives）的链式法则：【1】【2】【3】在反向传播中，就是把某个像素的值平均分成 n 份分配给上一层。
CS231n-Lecture5:卷积神经网络（CNN / ConvNets）
qq_42341984的博客
07-17 613
卷积神经网络（CNN）为什么要使用卷积？CNN的层输入层（INPUT）卷积层（CONV）过滤器(卷积核)池化层 （POOL）全连接层（FC） 为什么要使用卷积？ CNN的层 CNN将原始图像从原始像素值逐层转换为最终的类别分数。 CNN网络一共有5个层级结构： 输入层（INPUT） 卷积层（CONV） 激活层（ReLU） 池化层（POOL） 全连接层（FC） 输入层（INPUT） 卷积层（CONV） 过滤器(卷积核) 局部感知： 和全连接层不同，卷积层的每个神经元仅连接到输入体的局部区域。区域的
卷积神经网络CNN的意义
郭耀华's Blog | 人工智能领域技术博客
03-17 357
一、选用卷积的原因
 
 
 局部感知
 
 
 简单来说，卷积核的大小一般小于输入图像的大小（如果等于则是全连接），因此卷积提取出的特征会更多地关注局部 —— 这很符合日常我们接触到的图像处理。而每个神经元其实没有必要对全局图像进行感知，只需要对局部进行感知，然后在更高层将局部的信息综合起来就得到了全局的信息。
 
 &#...
【3】卷积神经网络的本质探索
jho9o5的博客
07-17 1744
引子   在深度神经网络的领域下，卷积神经网络（Convolutional Neural Networks，CNN ）是最为成功的DNN的特例之一，CNN广泛应用于图像识别领域，另外它也可以应用于NLP领域。因此，在学完前面两节的基础上，我们赶紧来学学传说中的卷积神经网络吧！ ...
[论文理解]群卷积神经网络Group Equivariant Convolutional Networks（G-CNN）
bxdzyhx的博客
11-18 9854
仿照了这个博主的方法，读每一篇文献的时候都要问自己 它做了什么？用什么方法做的？效果如何？有什么缺点？ 这些几个问题，以加深自己的理解。 1. 几个问题 做了什么 提出了群等变卷积神经网络（Group equivariant Convolutional Neural Networks，G-CNNs)，通过采取对称性减低了采样复杂度。 G-CNN将CNN对平移群的等变性（下文会解释）推广到更大的对称群，包括旋转和反射。 特点/优点 比常规卷积层有更高的权重共享程度。 卷积层易于使用，对于由平移、反射和旋
深度学习10—卷积神经网络
m0_55196097的博客
10-01 6700
目录1.全连接网络复习 2.卷积 2.1 卷积核​编辑 2.2 卷积层的基本实现 2.3 padding填充 2.4 stride步长 2.5 池化层 3. CNN实例3.1 完整代码：3.1.1 cpu训练3.1.2 GPU上训练4. 卷积神经网络进阶 4.1 GoogLeNet4.2 inception Module4.2.1 1*1卷积及其作用 4.2.2 implemetaion of inception Module​编辑4.2.3 Inception Module 以及模型构建的实现代码 完
卷积神经网络(CNN)
YiqiangXu的博客
02-13 867
卷积神经网络(CNN)学习笔记1：基础入门 卷积神经网络(CNN)学习笔记2：模型训练 Machine Learning Category
卷积神经网络的可视化理解
FFTang的博客
12-15 733
ZFNet论文学习笔记，主要关于卷积神经网络可视化工作。每一层的卷积核在提取什么特征。
lecture3-卷积神经网络1
08-08
卷积神经网络（CNN）是深度学习领域中用于图像处理和计算机视觉任务的重要模型，它在许多领域，如图像分类、目标检测、图像生成等，都有广泛应用。CNN 的设计灵感来源于人脑的视觉皮层，它能有效地捕获图像中的局部...
卷积神经网络基础与全连接神经网络问题
描述中提到的“Lecture5:卷积神经网络”和“L04：神经网络和反向传播”，暗示本课程是继前一节神经网络和反向传播之后，进一步探讨卷积神经网络的。反向传播是优化神经网络权重的关键算法，它通过计算损失函数对权重...
基于LangChain与RAG技术构建智能客服问答系统：完整实现指南
weixin_46244623的博客
01-08 761
本文介绍了基于LangChain框架和RAG技术的智能客服系统构建方法。该系统整合了Ollama本地语言模型服务和FAISS向量数据库，能够高效检索项目文档并生成准确回答。文章详细阐述了系统架构、核心组件及实现代码，包括知识库构建、文档检索和回答生成流程。该系统可显著提升客服效率，支持网络搜索、数学计算、节假日查询等多种功能，并提供了良好的可扩展性。通过本地部署Qwen2.5模型，实现了安全可靠的智能客服解决方案。
[20页中英文PDF]生物制药企业新一代知识管理：用知识图谱+大模型构建“第二大脑“
01-07 481
药物研发正面临知识爆炸的挑战。本文深入探讨如何利用大语言模型和知识图谱技术构建企业级"第二大脑"，将分散的科研数据、文献和隐性知识整合为可搜索的知识库，实现60%的文档审查效率提升，并可能为制药行业创造600-1100亿美元的年度价值。
AI赋能金融科技，VisualProject引领项目管理新潮流
weixin_46916369的博客
01-06 550
金融科技项目管理迈入AI赋能新阶段，VisualProject引领智能化转型。随着金融科技竞争转向"体系化能力"，传统管理模式面临需求断层、资源失衡等痛点。维普时代推出的VisualProject通过AI深度融入项目全流程，实现智能需求解析、资源协同和风险预警，使招商银行等项目效率提升40%、延期率降至8%。该产品构建"数据驱动决策"体系，提供30余项核心指标分析，助力金融机构实现精准管理。未来，AI与项目管理的深度融合将持续推动金融科技高质量发展。
Skills详解：AI Agent 的模块化能力扩展系统
最新发布
a18792721831的博客
01-09 742
Skills系统是AI Agent的模块化能力扩展方案，通过标准化方式将专业知识和操作流程打包为可复用模块。它采用分层架构设计，包含技能管理器、加载器和注册表等核心组件。系统创新性地使用渐进式加载机制，分为元数据、指令和资源三层，有效解决上下文窗口限制问题。Skills支持多维度智能匹配算法，通过语义、功能和优先级三个维度精准定位最适合的技能。相比传统插件系统，Skills更注重知识传递而非功能扩展，采用配置文件+资源包形式，维护成本更低。该系统适用于企业自动化、专业服务和开发工具链等场景，显著提升AI A
基于学科知识图谱的智能搜索平台研究与构建
专业代码设计
01-09 363
本论文针对传统搜索引擎的不足，提出基于学科知识图谱的智能搜索平台。平台通过构建知识图谱，实现学术资源的精准索引与高效检索。实验证明，相比传统搜索，本平台在准确性、速度和满意度上均有显著优势，为学科知识检索提供新方案，具重要理论和应用价值。
Web开发者进阶AI：Agent技能设计模式之迭代分析与上下文聚合实战
沛哥儿的专栏
01-09 625
迭代有界：必须设置maxDepth（如同Web分页的maxPage） 上下文隔离：按会话ID分区存储（Redis key前缀隔离） 技能自治：每个Skill保持无状态（如同RESTful原则）
以 JoyAgent-JDGenie 项目为例：如何利用 AI Agent 高效学习开源框架
caicongyang
01-05 1057
本文以JoyAgent-JDGenie项目为例，介绍利用AI技术高效学习开源框架的方法。
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