【知乎直播】千奇百怪的CNN网络架构等你来

言有三 言有三 博客等级 墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 1k累计阅读 1.1k平均单平台 已同步平台 优快云 微信公众号 微博 知乎 掘金 百家号 博客园 抖音 小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网 我也要 码龄15年
关注
原创 最新推荐文章于 2026-09-19 10:48:52 发布 1k 阅读 AI 写同款· GEO 优化 ›
胶囊网络（CapsulesNet）理解 胶囊网络（CapsulesNet）理解: 一.回顾CNN: CNN网络层级结构 CNN网络一共有5个层级结构： 输入层 卷积层 激活层 池化层 全连接FC层 1.输入层 与传统神经网络/机器学习一样，模型需要输入的进行预处理操作，常见的3中预处理方式有： 去均值 归一化 PCA/SVD降维等 2.卷积层 局部感知：人的大... 阅读详情

640?wx_fmt=jpeg

大家知道有三从很久很久之前就致力于CNN网络架构相关的研究，至今公众号已经写过很多的文章，知乎也回答过相关的问题，直播也做过几次分享，首先我们回顾一下已有的内容，然后再看看今天发布的新的直播预告！

1 公众号网络架构

从去年开始，我们公众号就发了非常多的相关的内容，并在全网率先作出了相关主流架构的总结，两篇相关的文章回顾如下：

【完结】总结12大CNN主流模型架构设计思想

【完结】12篇文章带你逛遍主流分割网络

640?wx_fmt=png

640?wx_fmt=png

另外，我们在公众号从理论上深刻探讨过网络的宽度和深度对模型性能的影响，并进行了一系列实验的验证！

【AI不惑境】网络深度对深度学习模型性能有什么影响？

【AI不惑境】网络的宽度如何影响深度学习模型的性能？

640?wx_fmt=png

关于比较重要的残差网络系列和分组网络系列，在我们的AI不惑境界的系列中也进行了相关的总结。

【AI不惑境】残差网络的前世今生与原理

【AI不惑境】移动端高效网络，卷积拆分和分组的精髓

640?wx_fmt=png

640?wx_fmt=png

公众号还在持续更新相关的内容，期待大家后续关注。

2 知乎直播

有三在知乎上也开设过两个相关的直播，分别是《如何设计更加强大的CNN架构》和《如何设计更加高效的CNN架构》，内容如下：

640?wx_fmt=png

640?wx_fmt=png

640?wx_fmt=png

640?wx_fmt=png

现在，我们准备再开设一个直播，《千奇百怪的CNN网络架构》。

  • 时间：2019年7月27日20:07开始。

  • 地点：知乎live，线上直播。

  • 主讲人：言有三。

内容简介如下：

1 深度学习兴起之前的网络   

 - 图像/语音CNN网络    

 - RBM/DBN    

 - 其他

2 简单的2D/3D经典网络    

 - AlexNet/VGG/C3D等

3 残差网络及其变种    

 - 残差网络前身   

 - 残差网络的各类变种

4 分组网络及其变种   

 - 卷积拆分与分组网络   

 - 分组网络的各类变种

5 时序网络   

 - RNN/LSTM等    

 - 双向RNN/LSTM等

6 多分支网络  

  - GoogLeNet网络   

  - 多分支网络的各类变种

7 非规则网络    

 - 卷积核不规则网络   

 - 拓扑结构不规则网络  

 - 其他

8 多输入网络   

  - Siamese/Triplet网络等  

  - 多输入网络的各类变种

9 GAN网络    

 - 基础GAN网络  

 - GAN网络的各类变种

10 动态推理网络   

 - 动态拓扑结构网络  

 - Attention网络   

 - 其他

11 AutoML网络

12 其他

640?wx_fmt=png

想听的朋友就扫码加入吧！

640?wx_fmt=png

3 知识星球

另外，在有三AI知识星球的网络结构1000变板块，每天更新两个网络结构的解读，已经有超过4万字的内容，欢迎加入！


【知识星球】视频分析/光流估计网络系列上线

【知识星球】3D网络结构解读系列上新

【知识星球】Attention网络结构上新，聚焦才能赢

【知识星球】动态推理网络结构上新，不是所有的网络都是不变的

【知识星球】超3万字的网络结构解读，学习必备

640?wx_fmt=png

640?wx_fmt=jpeg

转载文章请后台联系

侵权必究

640?wx_fmt=png

640?wx_fmt=png

640?wx_fmt=png

往期精选

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。
计算机算法与分析(Aho,Hopcroft,Ullman) The Design and Analysis of Computer Algorithms [Aho, Hopcroft & Ullman 1974-01-11] 立即下载

相关推荐

PICO G2 4K Unity开发环境配置完全指南

VR开发中，Android平台的硬件适配与Unity版本兼容性是基础性技术命题。PICO G2 4K作为基于骁龙845+Android 8.1的专用VR一体机，其开发链路高度依赖特定Unity LTS版本（2020.3.41f1）、NDK r21e及OpenJDK 11等工具链组合，本质是嵌入式Android VR Runtime与Unity IL2CPP ABI的深度对齐问题。该配置方案不仅解决ADB识别、APK签名、Logcat捕获等工程痛点，更支撑手柄6DoF追踪、射线交互、Haptic反馈等核心XR

weixin_30298497的博客 619

知乎文章--卷积神经网络（CNN）详解

推荐一个知乎博主写的关于CNN的介绍，内容比较详细。 卷积神经网络（CNN）详解 网址：https://zhuanlan.zhihu.com/p/47184529

weixin_43931170的博客 1873

SAP公司间外协业务流程以及配置说明

SAP公司间外协业务流程以及配置说明

竹大的博客 7172

CNN卷积神经网络

卷积经网络（Convolutional Neural Networks, CNN）是一种深度学习模型，在图像识别、视频分析和自然语言处理等领域表现出色。CNN通过使用卷积层来提取图像数据的局部特征，然后通过池化层（Pooling Layer）来降低特征的空间维度，最后通过全连接层（Fully Connected Layer）进行分类或回归任务。CNN作为一种强大的深度学习模型，在图像处理、语音识别和自然语言处理等领域发挥着重要作用。其独特的网络结构和自动特征学习能力使其成为解决复杂问题的有力工具。

2301_81639269的博客 930

华为昇腾服务器npu中安装paddle,pytorch等环境，训练代码迁移适配等问题记录

参考文档：https://github.com/PaddlePaddle/PaddleCustomDevice/blob/develop/backends/npu/README_cn.md

qq_29220369的博客 4112

东方财富 vs 新浪 vs AKShare：3 种股票实时数据接口性能与稳定性实测对比

本文深度评测了东方财富、新浪和AKShare三种股票实时数据接口的性能与稳定性。通过实际测试数据，从延迟、成功率和数据完整性三个维度进行全面对比，为量化交易和数据分析开发者提供选型参考。结果显示，东方财富接口在实时性和稳定性方面表现最优，适合高频交易场景。

weixin_30800807的博客 397

关于CNN（卷积神经网络）最直观的解释

看过许多关于CNN的解释，要么因为涉及公式太多，实在不想被数学公式等高深的理论知识过多的占用理解时间，要么就是跟直接翻译论文上描述，没有那么通俗易懂，我今天看到一个知乎博主写的CNN解释，觉得深入浅出，虽然某些理论不是那么正确（很多理论的成立都是在特定的条件下的，没有宇宙永恒不变真理），但是通过他的理解再去读机器学习大神的文章会轻松很多。 转自知乎某博主：https://www.zhihu.co

f12105212的博客 4984

【WorkBuddy从入门到精通实战教程】实战案例 第 41 章 论文阅读与文献综述

本文系统讲解如何用WorkBuddy高效阅读论文并撰写文献综述。针对“读了一天没记住”的痛点，提出“三遍阅读法”：快速评估相关性、结构化提炼核心内容、批判性分析局限。结合提示词工程，实现单篇精读、多篇对比与综述框架搭建，显著提升效率。强调学术诚信，严防AI幻觉，要求所有引用与数据必须回源核对。最终目标是借助AI辅助理解与组织，但坚持自主思考与写作，真正掌握科研能力。

企鹅码农的专属播客，分享10多年的实战案例和经验解读，包含YOLO、RT-DETR、AI等各个工作领域。 144

卷积神经网络CNN完全指南终极版（一）

本文转自知乎：沉迷学习的糕糕，原文链接：卷积神经网络CNN完全指南终极版（一） - 知乎 (zhihu.com) 【1】导论 先来说一写题外话... 研究生入学后就被导师逼着学习神经网络，一开始非常盲目，先是在网上搜了一大堆的资料，各种什么“一文读懂卷积神经纹网络”，“叫你三分钟搭建属于自己的神经网络框架”，“五分钟速读神经网络全解”，之类的文章层出不穷。看了太多导致的结果是，学了很久都没能真正意义上地入门。 而后自己艰辛摸索才慢慢了解了卷积神经网络的真谛。（好官方啊哈哈哈哈哈哈） 首先最需要

SmartLab307的博客 795

『杭电1199』Color the Ball

Problem Description There are infinite balls in a line (numbered 1 2 3 ....), and initially all of them are paint black. Now Jim use a brush paint the balls, every time give two integers a b and follow by a char 'w' or 'b', 'w' denotes the ball from a to

漠宸离若的博客 498

基于SVD矩阵分解的用户购物篮预测分析实战

基于SVD矩阵分解的用户购物篮预测分析实战

360

大型直播平台应用架构浅谈

大型直播平台应用架构浅谈 进入直播领域有段时间了。 跟大多数同学一样，刚接触直播这个领域都非常好奇这个领域的宏观架构大概是什么样子的。 这里根据自己的这段时间学习，粗浅总结下分享给感兴趣的小伙伴扫扫盲。 目前直播平台有很多，抖/快、B站、斗/虎等。 直播这种高效的交互方式是各行业需要具备的能力，随着网络技术的发展也是必然趋势。 先抛开每家直播的内容不同之外，一个完整的直播平台至少需要包含如下几个核心功能。 观看直播、发送弹幕、打赏送礼、主播互动。 我们以一个普通的C端用户的视角，来看下这几个核心功能背后的大

王清培的个人博客 6376

Qt6导航组件系列专栏：30+常见导航场景的实现

本文介绍了Qt6导航组件系列专栏，涵盖30+常见导航场景的实现方案。专栏分为7组：基础侧边栏系列、社交与协作导航系列、文件与项目导航系列、工业与车载导航系列、创意与扩展导航系列、办公与效率导航系列、流程与引导导航系列。

u011186532的专栏 1133

siamese网络_知乎直播预告，千奇百怪的CNN网络架构分享

预告一下10天后有三开设的知乎直播，《千奇百怪的CNN网络架构》。大家知道有三从很久很久之前就致力于CNN网络架构相关的研究，至今公众号已经写过很多的文章，知乎也回答过相关的问题，直播也做过几次分享，首先我们回顾一下已有的内容，然后再看看今天发布的新的直播预告！1 公众号网络架构内容从去年开始，我们公众号就发了非常多的相关的内容，并在全网率先作出了主流架构的总结，两篇相关的文章回顾如下：【完结】总...

weixin_39710660的博客 105

C# WinForm 基于DirectShow.dll编写的程序，可边预览边保存视频，音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择（默认选中第一个）2.可录制wmv和avi两种格式的视频并且都带有音频，avi可以录制的分辨率和帧数进行选择，wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照，也可边录制视频边拍照4.添加了视频和音频的压缩功能（酌情使用）这次二次开发发现C#对DirectShow的相关信息太少，这次做完也不敢藏私共享出来，还望大家指正

win10 跳过U8环境检测的IE WebControls.rar

win10 安装u8的时候 提示IE WebControls 不通过，这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后，重新检测通过。

如何系统性掌握深度学习模型设计和优化

模型是深度学习的核心技术之一，我们平时在从事相关工作时，有很大一部分精力都在模型设计和优化上。对于新手朋友们来说，往往只会跑一跑别人的模型或者只会盲目的简单修改一下参数，...

hacker_long的专栏 857

Camera2Demo

在Camera2 的基础上进行封装，使得Camera2一堆初始化逻辑与Activity分离，降低耦合度，完成预览拍照并保存的操作

【杂谈】如何从数据准备，模型设计与调优，训练到部署完成整个深度学习算法流程...

文/编辑 | 言有三对于一个深度学习算法工程师来说，拥有丰富的项目经历当然是重要的，但是拥有完成整个从数据准备到模型上线的能力更加重要。这意味着可以独立承担项目，也是全栈...

hacker_long的专栏 1155

为什么有三AI从来不追热点，信息越多学的越慢

周一又到了，大家又开始紧张的工作和学习。前面有三已经说过我们的作死三原则中的“不接广告”，“不转文章只做原创”，今天来谈谈最后一个问题，“不追热点”。文/编辑 | 言有三...

hacker_long的专栏 420

网络可视媒体智能计算：从模型训练到端侧部署的完整实践

可视媒体涵盖图像、视频、三维模型等广泛内容，在网络环境下其智能计算已从单纯算法问题演变为端到端的系统工程。智能计算以数据驱动特征替代手工设计，依托深度学习网络结构实现看得懂、生成得了、算得快三大目标。实际项目中，模型轻量化与端侧部署成为关键环节，通过结构化剪枝、量化和高效传输协议优化，方能平衡精度与实时性。该技术深度渗透短视频、电商、数字人等应用场景，未来将向多模态融合与高效渲染范式持续演进。本文从底层原理到工程踩坑，系统梳理了网络可视媒体智能计算的技术栈与实操路径。

weixin_33910460的博客 342

CNN真的需要下采样（上采样）吗?

背景介绍在常见的卷积神经网络中，采样几乎无处不在，以前是max_pooling，现在是strided卷积。以vgg网络为例，里面使用到了相当多的max_pooling输入侧在左面（下面是...

zandaoguang的博客 3636

深度学习大神都推荐入门必须读完这9篇论文

来源： 大数据挖掘DT数据分析ID: datadwIntroduction        卷积神经网络CNN，虽然它听起来就像是生物学、数学和计算机的奇怪混杂产物，但在近些年的机器视觉领域，它是最具影响力的创新结果。随着Alex Krizhevsky开始使用神经网络，将分类错误率由26%降到15%并赢得2012年度ImageNet竞赛（相当于机器视觉界的奥林匹克）时，它就开始声名大噪了。从那时起，

深度学习世界 2312

视频直播系统

一个直播系统大概可以分为一下几个模块，媒体模块，服务模块，管理模块。 媒体模块是直播系统的技术核心，服务模块是关乎用户体验，管理模块对数据，系统进行管理控制。<img src="https://pic2.zhimg.com/10d882b4e63f3f17ebe8e8da08419339_b.png" data-rawwidth="1112&quo

产业互联网&消费类电子 4070

【深度学习】卷积神经网络(CNN)反向传播算法推导

作者丨南柯一梦宁沉沦@知乎（已授权）编辑丨极市平台来源丨https://zhuanlan.zhihu.com/p/61898234多层感知机反向传播的数学推导，主要是用数学公式来进行表示的，在全连接神经网络中，它们并不复杂，即使是纯数学公式也比较好理解。而卷积神经网络相对比较复杂，在本篇文章中我们将从直观感受和数学公式两方面来介绍CNN反向传播算法的推导。首先我给大家介绍一下我分析delta误差...

fengdu78的博客 819

CNN（卷积神经网络）的简介（搬运自知乎）

CNN（卷积神经网络）是什么？有何入门简介或文章吗？ - 知乎

jiangqixing0728的博客 1645

十几万人同时在线的直播间聊天，如何设计服务端架构？

问题以下内容源自oschina的一篇讨论帖：问题：这是在知乎上看到的关于如何搭建视频直播系统时想到的一个问题，在此不考虑其他直播上的问题，仅考虑聊天系统，一个热门视频直播间人数可能达到几...

netease_im的博客 1370

卷积神经网络—AlexNet、VGG、GoogleNet、ResNet论文解读

一、 CNN结构演化历史的图 二、 卷积神经网络原理 2.1 激活函数： ReLU非线性函数(ReLU Nonlinearity) 2.2 降低过拟合( Reducing Overfitting) 2.4 Dropout 一、 CNN结构演化历史的图 二、 卷积神经网络原理 使用梯度下降法的多层网络可以从大量的数据中学习复杂的，高纬，非线性的映射，这...

红叶谷 wsp_1138886114的博客 1万+

（一）CNN网络结构

1、开山之作:LeNet 对经典LeNet-5做深入分析: 1)输入图像是单通道的28*28大小的图像，矩阵表示[28,28,1] 2)conv1所用卷积核尺寸5*5,滑动步长1,卷积核数目20,该层后图像尺寸变为28-5+1=24,输出矩阵[24,24,20] 3)pool1核尺寸为2*2,步长2,输出矩阵[12,12,20] 4)conv2所用卷积核尺寸5*5,滑动步长1,卷积核数目50,该层后图像尺寸变为12-5+1=8,输出矩阵[8,8,50] 5)pool2核尺寸为2*2,步长2,输出

qq_23123181的博客 3696
上一篇： 【图像分类】从数据集和经典网络开始
下一篇： 【Python进阶】你真的明白NumPy中的ndarray吗？
点赞 0
评论 0
书签 书签 1
言有三
言有三 领域专家: 人工智能技术领域 领域专家: 人工智能技术领域
博客等级 码龄15年 3635粉丝 976原创
+ 关注
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
 
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

打赏作者

言有三

三人行必有AI

¥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