李沐之经典卷积神经网络

已于 2024-01-11 15:33:10 修改
阅读量1.4k 收藏 24
点赞数 30
分类专栏： 深度学习 文章标签： 深度学习 机器学习 人工智能
于 2024-01-11 15:24:58 首次发布
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/m0_51133942/article/details/135526783
版权
本文详细介绍了LeNet-5神经网络结构，包括其在图像处理中的应用，如16个卷积核和池化操作，以及在Fashion-MNIST数据集上的训练过程。通过代码示例展示了如何在PyTorch中实现并评估LeNet的性能。

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

目录

1. LeNet

2. 代码实现

1. LeNet

输入是32*32图片，放到一个5*5的卷积层里面，卷积层的输出通道数是6，高宽都是28（32-5+1=28）。再经过2*2的池化层，把28*28变成14*14（28-2+2）/2=14，这里的步幅和窗口的大小一样。再经过5*5的卷积层，输出就变成10*10的（14-5+1=10）。通道数增加了从6变到16。再经过一个池化层，也是16个通道（用了16个卷积核），大小是5*5（10-2+2）/2=5。再把它拉成一个向量输入到全连接层，第一个全连接层的输出是120，第二个的输出是84，最后一个的输出是10。

最低0.47元/天 解锁文章
李沐笔记（卷积神经网络（LeNet））
qq_42310607的博客
12-03 870
LeNet（LeNet-5）由两个部分组成：卷积编码器：由两个卷积层组成; 全连接层密集块：由三个全连接层组成。 import torch from torch import nn from d2l import torch as d2l # LeNet由两个部分组成：卷积编码器和全连接层密集块 class Reshape(torch.nn.Module): def forward(self, X): return X.view(-1,1,28,28) # ..
李沐【动手学深度学习v2】24 深度卷积神经网络 AlexNet
最新发布
qq_53879585的博客
03-13 961
首先，定义AlexNet模型，在这里使用的仍然是是Fashion-MNIST数据集，因为训练ImageNet需要几个小时甚至几天，这里仅快速演示一下AlexNet网络，所以输入的是单通道（灰度）图像，最后输出层的类别数为10。第二卷积层（Conv2）的卷积核大小为5x5，数量256，步长为1，填充为2，输出尺寸为27x27x256，因使用填充（padding）所以特征图尺寸不变，同时增加通道数以提取更多特征。AlexNet和上一节讲解的LeNet网络的设计理念和架构非常相似，但也存在很大的差异。
李沐《动手学深度学习》卷积神经网络 经典网络模型
weixin_47748259的博客
01-27 2915
DenseBlock中的非线性组合函数采用的是BN+ReLU+3x3Conv的结构。
李沐--＞卷积神经网络
qq_45268781的博客
10-28 838
卷积是我们学习深度学习最重要的概念之一，看一下卷积的基本知识。我们从一个很简单的例子出发：一个猫和狗的图片分类问题：假设我们用手机拍摄了一张1200万像素的彩色图片，则这张图片上会有3600万个元素。然后我们用一个100个大小的单隐藏层的MLP来训练，则这个模型会有36亿个元素，而这个数字远远多于世界上猫和狗的数量。那还不如直接记住所有的猫和狗咧。所以，当我们使用MLP来处理比较大的图片的时候，就会遇到这种问题，那我们改怎么解决这个问题呢？
李沐《动手学》-pytorch神经网络基础
qq_36136196的博客
07-09 646
目录1.前置知识2.神经网络的层和块在正向传播中执行代码3.参数管理3.1参数访问3.2 参数初始化3.3参数绑定4.自定义层4.1 不带参数的层4.2带参数的层5.读写文件5.1加载和保存张量5.2加载和保存模型参数 1.前置知识 uniform 均匀分布，normal正态分布 python对象继承的知识 https://www.cnblogs.com/bigberg/p/7182741.html pytorch关于forward函数调用的解释https://blog.youkuaiyun.com/xu380393
李沐48_全连接卷积神经网络FCN——自学笔记
Rrrrrr900的博客
04-18 1066
1.FCN是用深度神经网络来做语义分割的奠基性工作。2.它用转置卷积层来替换CNN最后的全连接层，从而可以实现每个像素的预测。使用在ImageNet数据集上预训练的ResNet-18模型来提取图像特征，并将该网络记为pretrained_net。创建一个全卷积网络net。它复制了ResNet-18中大部分的预训练层，除了最后的全局平均汇聚层和最接近输出的全连接层。给定高度为320和宽度为480的输入，net的前向传播将输入的高和宽减小至原来的1/32，即10和15。
李沐经典卷积神经网络LNET
03-10
LeNet作为早期的卷积神经网络之一，在手写字符识别方面取得了显著成果。该模型由多个层次构成，包括两组交替出现的卷积层和下采样层（即最大池化），随后接两个全连接层[^1]。 #### 架构特点 - **输入层**：接受...
跟李沐学AI之卷积神经网络
weixin_56368033的博客
09-06 1405
跟李沐学AI之卷积神经网络
李沐第十四课-实现、训练和应用循环神经网络
u010995990的博客
02-25 394
两个问题： 1，如何初始化RNN中的初始隐含层H0 2,如何利用RNN最后输出的隐含层Hn， 如下图中所描述的(1)(3)作为一个batch_size,(2)(4)作为一个batch_size,这样就可以实现(1)的最后一个隐含层H3可以作为下一个batch_size的(2)的初始隐含层。 ...
李沐动手学深度学习V2-LeNet模型和代码实现
flyingluohaipeng的博客
05-01 3150
LeNet LeNet是最早发布的卷积神经网络之一，因其在计算机视觉任务中的高效性能而受到广泛关注。 这个模型是由AT&T贝尔实验室的研究员Yann LeCun在1989年提出的（并以其命名），目的是识别图像中的手写数字。 1.1 LeNet架构： 总体来看，LeNet由两个部分组成：卷积块（有两个卷积层组成）和全连接块（由三个全连接层组成），架构如下图所示。 **每个卷积块中的基本单元是一个卷积层、一个sigmoid激活函数和平均汇聚层。请注意，虽然ReLU和最大汇聚层更有效，**但它们在20世.
李沐深度学习——LeNet AlexNet Vgg
m0_52420323的博客
06-29 1230
摘要：深度学习，李沐，VGG，学习笔记
跟李沐学AI：LeNet
Landy_Jay的博客
08-04 206
LeNet是早期成功的神经网络。先使用卷积层来学习图片空间信息。然后使用全连接层来转换到类别空间。
李沐动手学视频笔记-21 卷积层里的多输入多输出通道，22 池化层，23 LeNet
a_145133的博客
12-17 350
总结： 1.输出通道数是卷积层的超参数 2.每个输入通道都有独立的二维卷积核，所有通道结果相加得到输出通道结果 3.每个输出通道有独立的三位卷积核
【李沐-LeNet】中的代码学习
weixin_43476632的博客
03-12 250
net.apply： model.apply(fn)会递归地将函数fn应用到父模块的每个子模块submodule，也包括model这个父模块自身。 net.train()与net.eval（) 切换训练和评估(推断)的模式 dropout在训练的时候起作用， 在推断的时候被绕过不起作用， 或者等价地，将其概率置为零 batch normalization 有两种模式，分别对应训练和推断，分别是: model.eval()和model.train(). class Accumulato..
李沐_动手学深度学习第5章卷积神经网络第二部分_笔记
qq_48278620的博客
10-21 674
早期神经网络和现代神经网络
跟着李沐学AI代码复现--01LeNet,02ALexNet
m0_55895748的博客
07-13 426
【代码】跟着李沐学AI代码复现--LeNet。
卷积神经网络CNN各种模型（李沐老师的课程笔记——动手学）
qq_41732756的博客
08-11 870
不同神经网络模型 LeNet AlexNet 2012 2012年 sigmoid变成了ReLU（减缓梯度消失） 隐藏全连接层后加入了丢弃层 数据增强 新加入丢弃法，最大池化层 VGG 2013 更大更深的AleNetx（重复的VGG块） 将卷积层组合成块 NIN 全连接层太贵，参数太多容易过拟合 但卷积层后的的一个全连接层的参数非常大 1x1卷积层来替代全连接层 [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-zRclJs
李沐【动手学深度学习】23-27卷积神经网络笔记（LeNet、AlexNet、VGG、NiN、GoogLeNet）笔记
m0_46180925的博客
02-04 439
LeNet是最早发布的卷积神经网络之一，目的是识别图像中的手写数字。
评论 1
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