深度学习基础——卷积神经网络（二）

最新推荐文章于 2025-02-24 23:24:37 发布
最新推荐文章于 2025-02-24 23:24:37 发布
阅读量1.2k 收藏 1
点赞数
分类专栏： 人工智能 文章标签： 深度学习 cnn 神经网络
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/qq_29798939/article/details/122158545
版权
本文深入探讨卷积神经网络的多输入多输出通道、1×1卷积层、汇聚层以及LeNet架构。介绍了多输入通道如何进行互相关运算，1×1卷积用于调整通道数量和控制模型复杂度，汇聚层如何降低位置敏感性和空间分辨率，以及LeNet的卷积编码器和全连接层结构。

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

本文介绍卷积神经网络的第二部分。

多输入多输出通道

多输入通道

当输入包含多个通道时，需要构造一个与输入数据具有相同通道数的卷积核，以便进行互相关运算。假设输入的通道数为 c i c_i ci​，则卷积核的输入通道数也应为 c i c_i ci​。

如果卷积核的窗口形状时 k h × k w k_h \times k_w kh​×kw​，则卷积核可以看做 k h × k w k_h \times k_w kh​×

最低0.47元/天 解锁文章
学习笔记：深度学习（3）——卷积神经网络（CNN）理论篇
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》—— 卷积神经网络(CNN)的简单介绍和工作原理
weixin_73504499的博客
09-22 3887
卷积神经网络是一种深度学习模型，通常用于图像、视频、语音等信号数据的分类和识别任务。其核心思想是通过卷积、池化等操作来提取特征，将输入数据映射到一个高维特征空间中，再通过全连接层对特征进行分类或回归
经典卷积神经网络结构
william118的专栏
07-14 1317
1.卷积神经网络解决的问题 我们构造了⼀个含单隐藏层的多层感知机模型来对Fashion-MNIST数据集中的图像进⾏分类。每张图像⾼和宽均是28像素。我们将图像中的像素逐⾏展开，得到⻓度为784的向量，并输⼊进全连接层中。然而，这种分类⽅法有⼀定的局限性。 1. 图像在同⼀列邻近的像素在这个向量中可能相距较远。它们构成的模式可能难以被模型识别。 2. 对于大尺寸的输⼊图像，使⽤全连接层容易造成模型过大。假设输⼊是⾼和宽均为1000像素的彩⾊照⽚（含3个通 道）。即使全连接层输出...
用于图像分类的经典的卷积神经网络CNN
ch18328071580的博客
07-08 2万+
本文详细介绍了CNN在图像分类中的发展过程中的几个经典的网络，包括了从LeNet,AlexNet,VGGNet,GoogleNet,ResNet到DenseNet的一路改进、优化的过程。
动手学深度学习-卷积神经网络-5汇聚层
最新发布
像污秽一样的博客
02-24 665
通常当我们处理图像时，我们希望逐渐降低隐藏表示的空间分辨率、聚集信息，这样随着我们在神经网络中层叠的上升，每个神经元对其敏感的感受野（输入）就越大。而我们的机器学习任务通常会跟全局图像的问题有关（例如，“图像是否包含一只猫呢？”），所以我们最后一层的神经元应该对整个输入的全局敏感。通过逐渐聚合信息，生成越来越粗糙的映射，最终实现学习全局表示的目标，同时将卷积图层的所有优势保留在中间层。此外，当检测较底层的特征时（例如图像卷积那一节中所讨论的边缘），我们通常希望这些特征保持某种程度上的平移不变性。
卷积，步长，池化，1×1 卷积层，最大汇聚层和平均汇聚层
m0_56175815的博客
05-04 1760
卷积的基本操作，填充，步幅，池化，多输入输出通道，1*1卷积的作用，Lenet网路的介绍
lenet实验结果对比
candylu1009的博客
08-01 1888
原始结果将第一个平均池化改为最大池化1.将平均池化层替换为最大池化层，会发生什么？答损失减小精度提高2.尝试构建一个基于LeNet的更复杂的网络，以提高其准确性。调整卷积窗口大小。注意在设计模型时要清楚每层输出的特征图大小注意看这里，来更改全连接层的维度调整输出通道的数量。调整激活函数（如ReLU）。调整卷积层的数量。调整全连接层的数量。调整学习率和其他训练细节（例如，初始化和轮数）。学习率=0.1有一点点过拟合。...
25_深度学习_汇聚层
Supre_yuan的博客
10-06 2413
通常当我们处理图像时，我们希望逐渐降低隐藏表示的空间分辨率，聚集信息，这样随着我们在神经网络层叠的上升，每个神经元对其敏感的感受野（输入）就越大。 而我们的机器学习任务通常会跟全局图像的问题有关（例如，“图像是否包含一只猫呢？”），所以我们最后一层的神经元应该对整个输入的全局敏感。通过逐渐聚合信息，生成越来越粗糙的映射，最终实现学习全局表示的目标，同时将卷积图层的所有有时保留在中间层。 此外，当检测较底层的特征时（例如之前讨论的边缘），我们通常希望这些特征保持某种程度上的平移不变性。例如，如果我们拍摄黑白之
深度学习——卷积神经网络
01-20
卷积神经网络（CNN）是深度学习领域的重要组成部分，尤其在图像识别和处理任务中表现卓越。CNN的主要特点是利用卷积层和池化层来提取和学习图像特征，同时通过多层非线性变换实现复杂模式的识别。 1. **卷积神经...
深度学习（五）————卷积神经网络基础、leNet、卷积神经网络进阶
01-07
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，主要是卷积层和池化层，并解释填充、步幅、输入通道和...
LeNet +课后练习 + 快问快答
qq_60567866的博客
06-13 1895
原网络精度损失之和测试精度 （下面的更改都是更改单个参数）将平均汇聚层替换为最大汇聚层，会发生什么？ 将net中的avgpool改成Maxpool就好 测试精度差了尝试构建一个基于LeNet的更复杂的网络，以提高其准确性。调整卷积窗口大小。 这个调太麻烦了 还要计算。调整输出通道的数量。 将输出通道数调小后（第二层卷积输出通道数维为10） 将输出通道数调大后（第二层卷积输出通道数维24） 好像不如原来的调整激活函数（如ReLU）。 当使用relu做激活函数测试精度有所提高 因为relu函数对
06.5. 汇聚层
weixin_45063703的博客
09-21 1482
与卷积层类似，汇聚层运算符由一个固定形状的窗口组成，该窗口根据其步幅大小在输入的所有区域上滑动，为固定形状窗口（有时称为汇聚窗口）遍历的每个位置计算一个输出。在这两种情况下，与互相关运算符一样，汇聚窗口从输入张量的左上角开始，从左往右、从上往下的在输入张量内滑动。对于给定输入元素，最大汇聚层会输出该窗口内的最大值，平均汇聚层会输出该窗口内的平均值。下面，我们用深度学习框架中内置的二维最大汇聚层，来演示汇聚层中填充和步幅的使用。在汇聚窗口到达的每个位置，它计算该窗口中输入子张量的最大值或平均值。
现代卷积神经网络
hlhwna的博客
04-19 257
这种网络只看卷积nin卷积构成部分，最后输出是四维特征矩阵，而标签里存储的是二维（样本数，分类数），所以这时候的输出还需要两层网络，第一层是自适应池 nn.AdaptiveAvgPool2d((1, 1))），用于把图片全部特征汇聚为1*1（样本数，通道（分类数），1，1），第二层是展平层（注：哪怕展平后的二维矩阵（样本数，分类数），也不是可以与标签比较的矩阵，还需要进行一个归一化，有时候也可以在之前上一层sigmoid，最后需要进行max()来进行独热编码。3，四条路线输出通道都可以自定义，方便定制。
半小时学会卷积神经网络
weixin_41810322的博客
03-18 1033
觉得这篇关于卷积神经网络讲的比较全面清晰易懂。 原文链接：https://zhuanlan.zhihu.com/p/30504700?utm_medium=social&utm_source=wechat_timeline&from=timeline&isappinstalled=0 （文中有些内容可能不是很清晰，会加上一些自己的理解，用红色字体标出，后续不断更新。） &n...
卷积神经网络
konstantin的博客
03-15 923
卷积神经网络 创建日期 星期五 15 三月 2019 卷积神经网络的特点在于卷积； 通俗的来说卷积就是局部扫描，然后进行训练识别，将一个图像卷积，从原来的n维矩阵进行折叠，进行降维操作，然后对其进行全连接加权，池化层等 Layers used to build ConvNets 卷积神经网络通常包含以下几种层： 卷积层（Convolutional layer），卷积神经网路中每层卷积...
卷积神经网络 - 汇聚层
yingzi的技术博客
09-17 1122
例如，若我们拍摄黑白之间轮廓清晰的图像X，并将整个图像向右移动一个像素，即Z[i,j] = X[i,j+1],则新图像Z的输出可能大不相同。通常当我们处理图像时，我们希望逐渐降低隐藏表示的空间分辨率、聚集信息，这样随着我们在神经网络层中层叠的上升，每个神经元对其敏感的感受野（输入）就越大。下面，我们用深度学习框架中内置的二维最大汇聚层，来演示汇聚层中填充和步幅的使用。因此，若我们使用形状为（3，3）的汇聚窗口，那么默认情况下，我们得到的步幅形状为（3，3）与卷积层一样，汇聚层也可以改变输出形状。
matlab边缘检测(卷积特征)
热门推荐
jnulzl的专栏
05-17 12万+
一、前言本篇文章主要介绍了CNN网络中卷积层的计算过程，详细了解CNN的其它信息可以参考：技术向：一文读懂卷积神经网络。卷积神经网络(CNN)是局部连接网络。相对于全连接网络其最大的特点就是：局部连接性和权值共享性。因为对一副图像中的某个像素p来说，一般离像素p越近的像素对其影响也就越大（局部连接性）；另外，根据图像的局部统计特性，某个区域的权值也可以用于另一个区域(权值共享性)。这里的权值共享说白
深度学习笔记4：卷积层的实现
l691899397的博客
08-18 4万+
卷积层的推导 卷积层的前向计算 如下图，卷积层的输入来源于输入层或者pooling层。每一层的多个卷积核大小相同，在这个网络中，我使用的卷积核均为5*5。 如图输入为28*28的图像，经过5*5的卷积之后，得到一个(28-5+1)*(28-5+1) = 24*24、的map。卷积层2的每个map是不同卷积核在前一层每个map上进行卷积，并将每个对应位置上的值相加然后再加上一个偏置
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