深度学习基础（1）——卷积、池化、全连接

最新推荐文章于 2025-04-21 16:46:53 发布
最新推荐文章于 2025-04-21 16:46:53 发布
阅读量3.8k 收藏 23
点赞数 2
CC 4.0 BY-SA版权
分类专栏： 深度学习
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。
本文链接：https://blog.youkuaiyun.com/liu_dongd/article/details/108464145

文章目录

卷积

  • 层数计算
    在下图中左侧是一个32x32x3的图像，其中3代表RGB。每个卷积核是5x5x3，每个卷积核生成一个特征图（feature map）。下图里面有6个5x5x3的卷积核，所以输出6个特征图，大小为28x28x6.
    在这里插入图片描述
    下图中，第二层到第三层，其中每个卷积核大小为5x5x6，这里的6就是28x28x6中的6，两者需要相同，即每个卷积核的“层数”需要与输入的“层数”一致。有几个卷积核，就输出几个feature map，下图中，与第二层作卷积的卷积核有10个，故输出的第三层有10个通道。
    在这里插入图片描述
  • 单层计算
    单个通道的单一层计算。在下图中输入是64x64，卷积核为3x3，图片上的像素值分别于卷积核上对应位置相乘然后想加的到output图上该位置的像素值。
    计算出每一层的像素值之后，采用相加的方法，再加上偏置值（Bias）得到卷积结果，此时的结果为该通道的特征图结果。
    在这里插入图片描述
  • 举个栗子
    输入是一个RGB图，图片有三个通道，经过333卷积的计算得到右侧，3*3卷积共有10个，所以得到的结果也是10通道
    在这里插入图片描述

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。
池化层实际上是保留主要的特征同时减少参数(降维和计算量，提高模型泛化能力。最大池化应用较多。
在这里插入图片描述

  • 最大池化
    在这里插入图片描述
    在这里插入图片描述

全连接层

下图中两列小圆球就是两个全连接层，在最后一层卷积结束后，进行了最后一次池化，输出了20个1212的图像，然后通过了一个全连接层变成了1100的向量。
其实就是有20100个1212的卷积核卷积出来的，对于输入的每一张图，用了一个和图像一样大小的核卷积，这样整幅图就变成了一个数了，如果厚度是20就是那20个核卷积完了之后相加求和。这样就能把一张图高度浓缩成一个数了。
在这里插入图片描述
全连接层就是高度提纯的特征了，方便交给最后的分类器或者回归。

Stride

stride，实质上就是filter在原图上扫描时，需要跳跃的格数，默认跳一格；
stride，通过跳格，减少filter与原图做的扫描时的重复计算，提升效率；
stride，太小，重复计算较多，计算量大，训练效率降低；
stride，太大，会造成信息遗漏，无法有效提炼数据背后的特征；
让feature map长宽成倍缩小

参考于：
对全连接层（fully connected layer）的通俗理解
CNN EXPLAINER

6. 深度学习——卷积与池化
qq_32468785的博客
11-13 615
什么是卷积卷积是很重要的概念，这里我们一定要讲讲。在数学中，称f∗gn(f*g)(n)f∗gn为fgf,gfg的卷积，f∗gn∫−∞∞fτgn−τdτ(.)\tag{.}f∗gn∫−∞∞​fτgn−τdτf∗gn∑τ−∞∞fτgn−τ(.)\tag{.}f∗gnτ−∞∑∞​fτgn−τ。
Keras深度学习实战（7）——卷积神经网络详解与实现
盼小辉丶的博客
06-02 1万+
传统深度前馈神经网络的局限性之一是它并不满足平移不变性，且容易受图像中对象大小的影响。卷积神经网络 (Convolutional Neural Network, CNN) 的提出正是用于解决传统神经网络的这些缺陷。即使对象位于图片中的不同位置或其在图像中具有不同占比，CNN 也能够正确的处理这些图像，因此在对象分类/检测任务中更加有效。本节详细介绍了 CNN 的基本概念与计算流程，同时使用 Keras 构建 CNN 模型识别手写数字。.........
图解CNN中的卷积（卷积运算、池化、Padding、多通道的卷积）
coderge's 优快云 Blog.
06-27 4907
卷积层是深度学习神经网络中经常使用的一种层。它通过卷积运算来提取输入的特征，常用于图像、语音等信号处理任务中。 卷积层有以下几个参数： 1. 卷积核：卷积层中包含若干个卷积核，每个卷积核都是一个二维权重矩阵。卷积核的大小通常是奇数，比如3x3、5x5等，以便于有一个中心点，可以更好地提取特征。 2. 步长（stride）：指卷积核在输入数据上移动的步长。比如，构建一个3x3的卷积核，步长为2，表示每次卷积操作都会跨越2个像素。 3. 边界填充（padding）：指在输入数据的四周填充一圈像素，以保持卷积
卷积层、池化层和全连接层
weixin_45680994的博客
10-04 2910
卷积层（Convolution） 什么是卷积，如下图所示，卷积操作是用卷积核，按照一定的步长，在一张图片上规律性的移动。卷积核的每个单元有权重，在卷积核移动的过程中将图片上的像素和卷积核的对应权重相乘，最后将所有乘积相加得到一个输出。 作用和意义： ①局部感知： 在传统神经网络中每个神经元都要与图片上每个像素相连接，这样的话就会造成权重的数量巨大造成网络难以训练。而在含有卷积层的的神经网络中每个神经元的权重个数都是卷积核的大小，这样就相当于没有神经元只与对应图片部分的像素相连接。这样就极大的减少了权重的数量
一文详解卷积神经网络中的卷积层和池化层原理 ！！
最新发布
不要给自己设限，尝试更多可能（思所向 皆可往）
04-21 2123
卷积神经网络（Convolutional Neural Network，CNN）是深度学习神经网络经典形式之一，由于其计算过程中包含卷积运算，因此得名。卷积神经网络（CNN）通过使用卷积层来提取图像数据的局部特征，再通过池化层（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已经在图像识别、目标检测、图像生成和许多其他领域取得了显著的进展，成为了计算机视觉和深度学习研究的重要组成部分。
【卷积神经网络】卷积层，池化层，全连接层
idwtwt的专栏
02-18 5万+
转于：《入门PyTorch》 卷积层是卷积神经网络的核心， 大多数计算都是在卷积层中进行的。 1 卷积层 1.1 概述 首先介绍卷积神经网络的参数。 这些参数是由一些可学习的滤波器集合构成的， 每个滤波器在空间上（ 宽度和高度） 都比较小， 但是深度和输入数据的深度保持一致。 举例来说， 卷积神经网络的第一层卷积一个典型的滤波器的尺寸可以是5×5×3（ 宽和高都是5） ， 或者是3×3...
图解神经网络：卷积、池化、全连接（通道数问题、kernel与filter的概念）
1900的博客
01-08 2万+
卷积、池化、全连接操作、通道数计算、filter、kernel
【卷积神经网络】卷积，池化，全连接
洋洋Young的博客
08-14 1454
随着计算机硬件的升级与性能的提高，运算量已不再是阻碍深度学习发展的难题。卷积神经网络（Convolution Neural Network，CNN）是深度学习中一项代表性的工作，CNN 是受人脑对图像的理解过程启发而提出的模型，其雏形是 1998 年 LeCun 提出的 LeNet-5 模型。如今，卷积神经网络已被广泛应用于计算机视觉领域。本文主要介绍卷积神经网络中几个基础的运算，包括卷积、池化与全连接。
Lecture5：卷积层、池化层、全连接层
qq_41694024的博客
12-09 4926
介绍了卷积层、池化层、全连接层
学习笔记：深度学习（3）——卷积神经网络（CNN）理论篇
热门推荐
Morganfs的博客
04-12 11万+
深度学习笔记——CNN卷积神经网络理论篇。主要包括CNN的概念、基本原理、类型综述。算是比较完善的一篇文章了。
深度学习（五）————卷积神经网络基础、leNet、卷积神经网络进阶
01-07
卷积层与全连接层的对比 池化 LeNet 模型 深度卷积神经网络（AlexNet） AlexNet 使用重复元素的网络（VGG）¶ ⽹络中的⽹络（NiN） GoogLeNet 卷积神经网络基础 本节我们介绍卷积神经网络的基础概念，主要是卷积层和...
深度学习基础笔记——卷积神经网络概念及其计算方式
MengYa_Dream的博客
08-15 1万+
卷积神经网络（Convolutional Neural Network，CNN） 卷积 卷积核 神经网络公式 卷积运算方式 补0（zero padding）池化（Pooling） 激活函数RelU (Rectified Linear Units) 全连接层(Fully connected layers) 标准卷积计算举例1 x 1 卷积计算举例 全连接层计算举例常见的几种卷积神经网络介绍 LeNet AlexNet VGGNet ResNet
卷积和池化
01-23
此程序中包括人脸数据集，训练滤波器的程序，得到特征图的程序
卷积、池化&&全连接层
weixin_42620513的博客
02-24 2129
卷积计算： 三维卷积：输入图像和滤波器的通道必须一致 输出：每个位置的结果是27个参数相城再相加后的结果 n个卷积核输出通道数则为n，得到结果为:4**4*n，即a[1] 池化的计算： H = height, W = width, D = depth 新的高和宽的公式是： new_height = (input_height - filter_height)/S + 1 new_width = (input_width - filter_width)/S + 1 注意：池化层的输出深度与输入的深度相同
卷积神经网络卷积,池化,全连接--笔记01
weixin_38665509的博客
06-12 1216
1.图像是由像素构成的，每个像素又是由颜色构成的 假如我们处理一张 1000×1000 像素的图片，我们就需要处理3百万个参数！ 1000×1000×3=3,000,000 卷积神经网络 — CNN 解决的第一个问题就是「将复杂问题简化」，把大量参数降维成少量参数，再做处理。 更重要的是：我们在大部分场景下，降维并不会影响结果。比如1000像素的图片缩小成200像素，并不影响肉眼认出来图片中是一只猫还是一只狗，机器也是如此。 2.保留图像特征 假如有圆形是1，没有圆形是0，那么圆形的位置不同就
全连接层、卷积层、池化层
CltCj的博客
06-28 6880
深度学习 基础知识和各种网络结构实战 ... 全连接层、卷积层、池化层深度学习前言一、全连接层1.1 全连接层概念1.2 主要作用二、卷积层2.1 pytorch中的卷积函数三、池化层3.1 pytorch实现四、批量范化层总结 前言 全连接层、卷积层、池化层用pytorch实现 一、全连接层 1.1 全连接层概念 全连接层 Fully Connected Layer 一般位于整个卷积神经网络的最后，负责将卷积输出的二维特征图转化成一维的一个向量，由此实现了端到端的学习过程（即：输入一张图像或一段语
卷积、池化、全连接的基本认识及最简单的手写体识别：
qq_52533790的博客
08-29 540
卷积、池化、全连接的基本认识及最简单的手写体识别： 文章目录卷积、池化、全连接的基本认识及最简单的手写体识别：数据输入层：卷积层：池化层：全连接层：最简单的手写体识别: 简单的记录下学习笔记： ​ 卷积神经网络跟普通的神经网络类似，都具有可学习的权重（w）和偏置（b）。每个神经元都可接收一些输入，并做一些运算，输出是每个分类的分数。 卷积神经网络通常包括： 数据输入层： ​ 本层的作用是对图像进行预处理，例如：去均值、归一化、PCA/白化。 ​ 去均值：将图像的中心拉至0点，即将每一张图片的特征都减去
DeepLearning-L3-CNN简介：卷积、池化、全连接
聚集机器学习、信息安全
05-24 952
CNN简介：卷积、池化、全连接 1. CNN组成 （1）Types of layer in a CNN （2） Why CNN 2. Convolutional Layer （1）CNN Unit （2）Zero-Padding （3）Forward pass 3. Pooling layer （1）WHY Pooling （2） Two types of pooling layers （3）Forward Pooling 4. FC Layer
CNN英文垃圾邮件分类（卷积池化全连接）
空字符
08-14 2088
1.思路 有了前一篇对数据的预处理，我么将得到形如如下的预处理结果： print(x[:3] [[ 1 2 3 4 5 6 1 7 8 9 10 11 12 13 14 9 15 5 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ...
卷积池化全连接论文
04-01
1. **LeCun et al., 1989**: 提出了最早的卷积神经网络架构之一——LeNet-5，奠定了现代CNN的基础。 2. **Krizhevsky et al., 2012**: AlexNet 的引入标志着深度学习在图像识别领域的重要突破，展示了深层卷积网络的...
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