卷积神经网络学习笔记

最新推荐文章于 2025-12-16 20:48:58 发布
原创 最新推荐文章于 2025-12-16 20:48:58 发布 · 331 阅读 · 0 ·
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：

#神经网络 #AI

该博客是关于卷积神经网络的学习笔记，重点提及了LeNet - 5相关知识，属于人工智能领域中神经网络的学习内容，为信息技术范畴。

卷积神经网络学习笔记

知识相关
- LeNet-5

吴恩达卷积神经网络学习笔记（一）
qq_45498824的博客
01-15 2706
一.卷积神经网络（一） 1.1 计算机视觉 图片分类和图片识别，目标检测，图片风格迁移 特征向量的维度 卷积神经网络一般应用于计算机视觉领域，由于有的时候图片的像素点很多，导致神经网络输入特征值的维数很多。 1.2 边缘检测示例 弄清一张照片中的物体，利用电脑进行去识别，垂直边缘检测，水平边缘检测。 如下图所示，原图是一个661的矩阵，卷积核是一个331的矩阵，经过卷积后得到一个441的矩阵。（为了检测图像中的垂直边缘，可以构造一个3*3的矩阵，在共用习惯中，在卷积神经网络的.
卷积神经网络 学习 笔记
qq_71751106的博客
12-02 1068
​ 卷积神经网络是深度学习在计算机视觉领域的突破性成果。在计算机视觉领域, 往往我们输入的图像都很大，使用全连接网络的话，计算的代价较高。另外图像也很难保留原有的特征，导致图像处理的准确率不高。​ 卷积神经网络（Convolutional Neural Network，CNN）是一种专门用于处理具有网格状结构数据的深度学习模型。最初，CNN主要应用于计算机视觉任务，但它的成功启发了在其他领域应用，如自然语言处理等。
学习笔记：卷积神经网络（CNN）
2401_83327355的博客
10-01 2561
文章的内容是在我看了一些卷积神经网络的网课，以及文章后结合自己的理解，对于卷积神经网络的原理进行总结。参考文章写文章的本意是记录自己学习的过程，内容可以源自于教学视频或者文章，我只是学完进行总结。
CNN笔记：通俗理解卷积神经网络
热门推荐
结构之法 算法之道
07-02 92万+
2012年我在北京组织过8期machine learning读书会，那时“机器学习”非常火，很多人都对其抱有巨大的热情。当我2013年再次来到北京时，有一个词似乎比“机器学习”更火，那就是“深度学习”。本博客内写过一些机器学习相关的文章，但上一篇技术文章“LDA主题模型”还是写于2014年11月份，毕竟自2015年开始创业做在线教育后，太多的杂事、琐碎事，让我一直想再写点技术性文章但每每恨时间抽不开。然由于公司在不断开机器学习、深度学习等相关的在线课程，耳濡目染中，总会顺带着学习学习。
卷积神经网络——学习笔记
2403_88971056的博客
03-22 1123
通过上述的一系列公式，已经可以判断神经网络与理想模型的偏差，并对其进行量化了，但要对模型进行调整，就要借助梯度下降法了。
卷积神经网络学习笔记（花书总结.LIMU）
J_X0110的博客
07-13 723
传统卷积神经网络学习笔记
【CNN与卷积神经网络（吴恩达）】卷积神经网络学习笔记
qq_62361050的博客
12-12 1007
池化层类似卷积运算，在这里举一个最大池化的例子，即在一个4x4的图像中采用一个2x2的核，这个《核》只是对对应区域进行取最大值计算，以步长为2进行移动计算，在每次计算中取区域中的最大值，这样就可以提取出图像中的最显著的特征。以下是对于三维卷积中一些尺寸数据的描述，和二维卷积相似，只不过在n x n后面新加了一个尺寸数据nc，这个nc即表示图像的通道数，剩余对于输出图像的尺寸的计算公式和二维卷积下的一模一样。这种卷积下的卷积核和二维卷积是一样的，只不过由于有三个图像矩阵，所以应该对应有三层卷积核，即。
CNN卷积神经网络学习笔记
Yigit_dev的博客
11-09 2937
本篇博客主要归纳整理，CNN相关的基础知识和部分经典卷积神经网络的结构与特点。图片大部分来自Fei-Fei Li CNN课程PPT、网络和paper，如有侵犯请及时告知CNN相关基础知识卷积神经网络和全连接神经网络的区别区别：如上图所示， 1. 全连接神经网络中每个神经元或者filter都与输入图像的每个像素相关联，参数量大 2. 卷积神经网络中每个神经元或者filter只与原图中部分像素相
卷积神经网络学习笔记(基本理解）
weixin_61576710的博客
07-31 1034
1
lab3卷积神经网络学习笔记
10-22
卷积神经网络（Convolutional Neural Network, CNN）是一种深度学习的架构，特别适用于处理具有网格状拓扑结构的数据，如图像。卷积神经网络通过使用卷积层、池化层（Pooling Layer）等特殊层来处理图像中的像素，...
精选资源
卷积神经网络学习笔记.pdf
10-23
在学习卷积神经网络时做的笔记，希望可以给大家提供帮助。相互指正！
大模型从0到精通：从直线到万能曲线拟合器——神经网络的本质
技术传感器的博客
12-16 649
本文介绍了神经网络如何通过分层结构和非线性激活函数突破线性模型的局限，实现万能曲线拟合能力。文章首先指出线性模型只能拟合直线关系的缺陷，随后引入神经网络的核心思想：通过多个线性公式分层协作，并借助ReLU等激活函数引入非线性，使模型能够拟合复杂曲线。文中详细讲解了两层神经网络的结构和工作原理，强调其通过分段线性组合逼近任意函数的能力，并指出深度网络通过层次化抽象实现更强表达力。最后，文章简要提及神经网络训练中的梯度下降方法，并预告下一章将深入讲解反向传播算法。全文以直观比喻和示例帮助读者理解神经网络的基础概
神经网络理论入门
EncodingLee的博客
12-12 610
1943年，生物学家沃伦.麦克洛克和数学家沃尔特.皮茨提出了模仿生物神经元结构的数学模型，称为 M-P 模型。生物神经元是一种神经细胞，主由多个树突，一个轴突（末端有多个神经末梢），一个胞体组成，如图1-1所示。 在一个典型的生物神经元中，树突接收并输入信息，细胞核处理信息，轴突过滤信息，轴突末梢输出信息，并由下一个生物神经元接受。M-P模型是对生物神经元工作流程的简化和模拟，其结构如图1-2所示。 神经元可以接收多个输入信号， xix_ixi​ 表示从第 iii个神经元
神经网络的层是什么？
SACKings的博客
12-13 830
一个层就是一组神经元的集合。处于网络中的同一深度。接收相同来源的输入。执行完全相同类型的操作。信息从输入层开始，依次经过一个又一个的层，每一层都对信息进行一番处理和提炼，直到最终从输出层产生结果。层是神经网络的基本组织单位，它将功能相似的神经元分组。网络通过多层堆叠，实现了对数据从低级特征到高级特征的层级化提取和理解。不同的层类型（输入、隐藏、输出）扮演着不同的角色，共同协作完成从原始输入到最终输出的复杂映射。简单来说，没有层，神经网络就是一盘散沙；
【AI邪修·破壁行动】神经网络基础—核心数据结构—张量
撬动未来的支点的专栏
12-16 157
在深度学习中，张量不仅是多维数据容器，更重要的是它支持自动微分和GPU加速计算，这是普通多维数组不具备的核心特性。比如PyTorch和TensorFlow中的张量，除了存储数据，还记录了计算图信息，能够反向传播梯度。0维是标量，1维是向量，2维是矩阵，3维及以上就是张量。
摔倒检测和识别3：基于深度学习YOLOv12神经网络实现摔倒检测和识别(含训练代码、数据集和GUI交互界面）
最新发布
修行之路
12-16 441
摔倒检测和识别3：基于深度学习YOLOv12神经网络实现摔倒检测和识别(含训练代码、数据集和GUI交互界面）
【计算机视觉（12）】神经网络与反向传播基础篇：从线性分类器到多层感知机
hiliang521的博客
12-16 622
核心要点回顾线性分类器的局限性只能学习线性决策边界无法处理复杂的非线性模式神经网络架构多层感知机（MLP）全连接层堆叠激活函数引入非线性激活函数ReLU是最常用的默认选择激活函数是神经网络强大的关键反向传播通过计算图高效计算梯度使用链式法则组合局部梯度前向传播保存中间结果，反向传播使用向量和矩阵反向传播使用雅可比矩阵（但隐式计算）梯度形状与输入形状相同不需要显式构造大矩阵知识地图fill:#333;color:#333;color:#333;fill:none;
卷积神经网络学习笔记及遇到的难题
05-16
### 卷积神经网络学习笔记及相关问题 #### 关于卷积神经网络的基础概念 卷积神经网络（Convolutional Neural Network, CNN）是一种专门用于处理具有网格状拓扑的数据的深度学习模型，尤其适用于图像识别领域。CNN 的核心在于通过卷积操作提取输入数据的空间层次特征[^5]。 在卷积层中，卷积核（kernel 或 filter）通过对局部区域进行加权求和来提取特定类型的特征。这些滤波器可以检测边缘、纹理或其他模式，并生成 feature map（特征映射）。多个滤波器的组合使得 CNN 能够捕捉复杂的视觉信息[^5]。 #### 常见问题及其解决方案 1. **梯度消失或爆炸问题** 当网络变得非常深时，反向传播过程中的梯度可能会迅速缩小至接近零（即梯度消失），或者无限增大（即梯度爆炸）。这直接影响了深层网络的有效训练。 解决方案包括引入 Batch Normalization 技术以稳定中间激活值分布[^2]，并采用合适的初始化方法（如 Xavier 初始化或 He 初始化）减少初始阶段的数值不稳定现象[^3]。此外，ReLU 类激活函数因其非饱和特性也常被推荐作为缓解梯度消失的一种手段[^2]。 2. **退化问题** 实验表明，随着网络层数增加，即使不存在过拟合情况，也可能观察到准确率下降的现象，这种现象被称为“退化”。传统观点认为这是由于优化困难造成的，但实际上更深层次的原因可能涉及信号传递路径受阻等问题。 提出残差学习框架 (ResNet) 是应对这一挑战的重要进展之一。通过构建恒等短路连接(identity shortcut connection)，允许较浅层直接访问来自更深位置的信息流，从而促进整个架构更加高效地收敛。 3. **参数冗余与计算成本高企** 如果设计不当的话，庞大的参数规模不仅增加了存储需求还延长了推理耗时。特别是对于那些拥有巨大尺寸的感受野却仅利用少量像素点参与运算的情况而言尤为突出。 使用较小尺度但数量众多的不同种类卷积核代替单一较大范围扫描窗口能够显著削减所需调整系数数目同时保持甚至增强表现力[^4]。例如，在某些实现里采用了 1x1 卷积来进行降维操作后再接续常规大小的二维变换步骤形成瓶颈结构(bottleneck structure)进一步压缩内存占用量级。 4. **过拟合风险控制** 尽管 dropout 方法曾一度流行用作随机失活单元防止记忆样本特性的策略，但在最新研究趋势下发现其可能导致部分重要关联丢失进而影响最终性能指标得分。因此现在更多倾向于依靠正则项约束权重范数等方式达成相同目的而不牺牲太多表达能力[^2]。 #### 示例代码片段展示如何定义简单 CNN 架构 以下是基于 PyTorch 平台搭建的一个基本版本卷积神经网络实例： ```python import torch.nn as nn import torch.nn.functional as F class SimpleCNN(nn.Module): def __init__(self): super(SimpleCNN, self).__init__() # 定义两组卷积池化序列 self.conv_layer1 = nn.Sequential( nn.Conv2d(in_channels=3, out_channels=64, kernel_size=3, padding=1), nn.BatchNorm2d(64), nn.ReLU(), nn.MaxPool2d(kernel_size=2, stride=2) ) self.conv_layer2 = nn.Sequential( nn.Conv2d(in_channels=64, out_channels=128, kernel_size=3, padding=1), nn.BatchNorm2d(128), nn.ReLU(), nn.MaxPool2d(kernel_size=2, stride=2) ) # 全连接层配置 self.fc_layers = nn.Linear(128 * 8 * 8, num_classes) def forward(self, x): out = self.conv_layer1(x) out = self.conv_layer2(out) out = out.view(out.size(0), -1) out = self.fc_layers(out) return out ```
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