深度学习之CNN一 卷积与池化

最新推荐文章于 2025-07-25 14:02:22 发布
原创 最新推荐文章于 2025-07-25 14:02:22 发布 · 1.7w 阅读 · 18 ·
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：

#深度学习 #cnn

本文深入探讨了卷积的概念，包括连续和离散卷积，并阐述了卷积的交换性和在编程实现中的注意事项。接着，介绍了卷积神经网络（CNN）的核心思想——稀疏连接、参数共享和平移不变性。此外，讨论了池化操作的作用，如平移不变性和减少参数量。最后，解释了CNN结构中多通道卷积的特点以及补零策略在保持输出尺寸中的作用。

1 卷积

连续：
一维卷积：s(t)=(x∗w)(t)=∫x(a)w(t−a)dt
二维卷积：S(t)=(K∗I)(i,j)=∫∫I(i,j)K(i−m,j−n)dmdn
离散：
一维卷积：s(t)=(x∗w)(t)=∑ax(a)w(t−a)
二维卷积：S(i,j)=(K∗I)(i,j)=∑m∑nI(i,j)K</

最低0.47元/天 解锁文章

200万优质内容无限畅学
卷积神经网络中的各种池化操作
jacke121的专栏
03-14 5694
参考：https://www.cnblogs.com/pprp/p/12456403.html 池化操作(Pooling)是CNN中非常常见的一种操作，Pooling层是模仿人的视觉系统对数据进行降维，池化操作通常也叫做子采样(Subsampling)或降采样(Downsampling)，在构建卷积神经网络时，往往会用在卷积层之后，通过池化来降低卷积层输出的特征维度，有效减少网络参数的同时还可以...
卷积层和池化层输入输出计算
chen的博客
03-04 2606
一维卷积层和池化层以及二维卷积层和池化层在处理数据的维度上有一些关键的区别。这些差异主要体现在数据的形状、卷积核的维度、以及计算中的一些细节上。一维卷积和池化主要用于处理序列数据，比如时间序列或文本数据。输入数据是一个序列，可以看作是一维的，具有长度。一维卷积核在一个维度上进行滑动操作，只考虑输入序列的局部信息。卷积核的大小是在这一个维度上的窗口大小。一维池化层通常是在一个维度上对局部信息进行池化操作，通常使用最大池化或平均池化。池化窗口的大小和步幅也是在这一个维度上。
一维卷积
weixin_33863087的博客
08-20 2313
在泛函分析中，卷积、旋积或摺积(Convolution)是通过两个函数 f(x) 和 g(x) 生成第三个函数的一种数学算子； 表征函数 f(x) 与 g(x) 经过翻转和平移的重叠部分的面积。 1 一维卷积公式 注： （1）表达式实际上是 x 为自变量的函数表达式 （2）s(x) = f(x) * g(x) 表示 f(x) 与 g(x) 的卷积 （3）函数等于被积函数 f(x)g...
CNN（池化层）
2401_87862479的博客
07-25 764
池化层 (Pooling)降低空间维度, 缩减模型大小，提高计算速度.即: 主要对卷积层学习到的特征图进行下采样（SubSampling）处理。池化层主要有两种:最大池化 max pooling最大池化是从每个局部区域中选择最大值作为池化后的值，这样可以保留局部区域中最显著的特征。最大池化在提取图像中的纹理、形状等方面具有很好的效果。平均池化 avgPooling平均池化是将局部区域中的值取平均作为池化后的值，这样可以得到整体特征的平均值。
CNN卷积和池化
AcceptedLin的博客
07-12 6564
概述深度学习中CNN网络是核心，对CNN网络来说卷积层与池化层的计算至关重要，不同的步长、填充方式、卷积核大小、池化层策略等都会对最终输出模型与参数、计算复杂度产生重要影响，本文将从卷积层与池化层计算这些相关参数出发，演示一下不同步长、填充方式、卷积核大小计算结果差异。一：卷积层卷积神经网络(CNN)第一次提出是在1997年，杨乐春（LeNet）大神的一篇关于数字OCR识别的论文，在2012年的I...
一文彻底搞懂CNN - 卷积和池化（Convolution And Pooling）
2401_85377976的博客
08-24 1万+
卷积（）：卷积是一种数学运算，在CNN中，它通过滑动窗口（也称为卷积核或滤波器）在输入图像或特征图上滑动，并计算窗口内元素与对应卷积核元素的加权和（包括偏置项），从而生成输出特征图。卷积是一种特殊的线性运算，用于提取图像中的局部特征。CNN通过使用一个或多个卷积核（也称为滤波器或特征检测器）在输入数据（如图像）上进行滑动窗口操作来提取特征。一个可学习的权重矩阵，其大小通常远小于输入图像的大小，用于在输入图像上滑动并进行元素级的乘法累加操作。
基于深度学习的三层卷积池化与全连接神经网络人脸识别课程设计
最新发布
08-05
本课程设计以“基于深度学习的三层卷积池化与全连接神经网络的人脸识别”为主题，旨在通过理论学习与实践操作相结合的方式，让学生深入了解并掌握深度学习技术在人脸识别中的应用原理和方法。 首先，课程设计介绍了...
深度学习基本概念｜卷积和池化
庐州月光的博客
06-16 1034
欢迎关注”生信修炼手册”!卷积神经网络CNN是一种特殊类型的深度神经网络，其结构如下由卷积层，池化层，全连接层等各种类型的结构构成。在图像处理等领域，与普通的深度神经网络相比，CNN拥有更...
CNN中卷积和池化计算公式
08-27 1万+
卷积计算公式 1、卷积层输入特征图(input feature map)的尺寸为：H(input)×W(input)×C(input) H(input)表示输入特征图的高 W(input)表示输入特征图的宽 C(input)表示输入特征图的通道数（如果是第一个卷积层则是输入图像的通道数，如果是中间的卷积层则是上一层的输出通道数 2、卷积层的参数有如下几个 输出通道数为K 正方形卷积核的边长为F ...
12.2深度学习_视觉处理CNN_池化层、卷积知识
gs1we1的博客
12-04 1549
池化层 (Pooling) 降低维度, 缩减模型大小，提高计算速度. 即: 主要对卷积层学习到的特征图进行下采样（SubSampling）处理。池化层主要有两种:最大池化 max pooling最大池化是从每个局部区域中选择最大值作为池化后的值，这样可以保留局部区域中最显著的特征。最大池化在提取图像中的纹理、形状等方面具有很好的效果。平均池化 avgPooling平均池化是将局部区域中的值取平均作为池化后的值，这样可以得到整体特征的平均值。
CNN中的卷积和池化个人理解
Chaos_Happy
07-31 3944
针对于图像识别中常用的CNN，其原理中的卷积层和池化层是最让人不好理解的。在看完各位大佬的解释后，小弟趁热打铁把目前的理解做个简单的总结。 以下纯属个人理解，如有错误，请指正。 卷积：通过探头（filter）在输入矩阵中按照一定步长（stride）去无间隙的扫描。 拿图像处理为例，出去常见的二维平面，增加了一个深度（depth）的维度，其中深度可以理解为三维平面。filter的深度必须与输入样本...
深度学习入门：卷积神经网络 | CNN概述，图像基础知识，卷积层，池化层（超详解！！！）
2301_76820214的博客
08-18 1742
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）是含有卷积层的神经网络. 卷积层的作用就是用来自动学习提取图像的特征.卷积层池化层和全连接层构成。🐼卷积层负责提取图像中的局部特征；🐼池化层用来大幅降低参数量级(降维)；🐼全连接层类似人工神经网络的部分，用来输出想要的结果。
关于卷积神经神网CNN池化操作
耘慧大美的博客
05-13 347
CNN中池化的好处有哪些呢？ 缩减图像尺寸，从而减少计算量 一定程度上解决了平移鲁棒性 损失了空间位置精度 池化常用有最大值池化和平均值池化，一般不补零。 ...
一维和二维卷积和池化
Mr.horse的博客
07-24 3587
一维卷积的卷积核是二维的，二维卷积的卷积核是三维的（因为卷积要考虑深度，即通道数） 例如输入数据为(128,32,28,28)，128为batch size，32为channel，28和28是hight和width，如果采用二维卷积，卷积核大小为5*5，则实际上卷积核大小为32*5*5。如果输入数据为(128,32,28)，128为batch size，32为channel，28是width，如果采用一维卷积，卷积核大小为5，则实际上卷积核大小为32*5。 一维池化的池化核是一维的，二维池化的池化核是二
神经网络：池化操作
吃葡萄不吐葡萄皮
06-21 4378
需要注意的是，上述公式中的池化核大小k和步幅可以根据具体的应用和网络架构进行选择和调整，以适应不同的任务和特征尺度的需求。y[i, j] = mean(x[i:i+k, j:j+k]), 其中 y[i, j] 表示输出特征图的元素，x[i:i+k, j:j+k] 表示输入特征图中的局部区域，k为池化核的大小。y[i, j] = max(x[i:i+k, j:j+k]), 其中 y[i, j] 表示输出特征图的元素，x[i:i+k, j:j+k] 表示输入特征图中的局部区域，k为池化核的大小。
深度学习入门基础CNN系列——卷积计算
一名在读大学生，正在学习深度学习，会定期分享一些该领域内容。欢迎大家一起交流学习~
01-17 1万+
卷积是数学分析中的一种积分变换的方法，在图像处理中采用的是卷积的离散形式。这里需要说明的是，在卷积神经网络中，卷积层的实现方式实际上是数学中定义的，与数学分析中的卷积定义有所不同，这里跟其他框架和卷积神经网络的教程保持一致，都使用互相关运算作为卷积的定义，具体的计算过程如所示。
卷积神经网络（CNN）之卷积操作、池化操作、激活函数
热门推荐
Mike_honor的博客
07-28 1万+
前言：卷积神经网络是深度学习算法中一个重要组成部分，在深度学习图像识别技术的应用中起到了关键作用。卷积神经网络和循环神经网络(RNN)都是类似于传统的全连接神经网络(也叫深度神经网络，简称DNN)，CNN属于编码了空间相关性的DNN，RNN属于编码了时间相关性的DNN。由于图像任务的不同，CNN的网络层也会有些许变动，但是基本上都会使用到卷积层、池化层以及非线性层。为了加深这方面理论知识的理解，本文将从多方面深入讲解CNN中的卷积操作、池化操作以及激活函数。......
深度学习CNN网络--卷积层、池化层、全连接层详解与其参数量计算
LittleRuby的博客
11-29 1万+
看Training Curve 以及 Validation Curve，在其他条件理想的情况下，如果Training Accuracy 高， Validation Accuracy 低，也就是过拟合 了，可以尝试去减少层数或者参数。卷积核“滑动”的同时，计算权重矩阵和扫描所得的数据矩阵的乘积，然后把结果汇总成一个输出像素。12的图像，然后通过了一个全连接层用一个12x12x20x100的卷积层去卷积激活函数的输出，最终得到1*100 的向量。全连接层将学到的特征表示映射到样本的标记空间的作用。
[tensorflow] 对一维卷积池化和二维卷积池化的新感悟
currycode
04-21 5417
首先上观点： 一维卷积的卷积核是二维的，二维卷积的卷积核是三维的 一维池化的池化核是一维的，二维池化的池化核是二维的 为什么卷积的时候卷积核维度多了一维呢？因为有通道（channel）的存在。比如对于语音处理中常用的特征MFCC，一般来说网络的输入是[timestep, num_mfcc],对其使用一维卷积，则有： import numpy as np import tensorflow ...
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