2D CNN

最新推荐文章于 2025-05-22 09:46:03 发布
原创 最新推荐文章于 2025-05-22 09:46:03 发布 · 5.4k 阅读 · 9 ·
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。

本文详细介绍了2D卷积神经网络的不同结构，包括基本卷积、ResNet10的残差学习、Inception系列的演变，如V1-V4的特点，并探讨了BN层的作用以及Xception模型中深度可分离卷积的概念。

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

1.        二维卷积模型

1.1.        Basic Convolution


具体到计算中使用cublas的gemm方法。

设输入为nclhw，卷积核为c”cl’h’w’，输出为c”l”h”w”，步长s，补偿p。

输出与输入的关系：L”=(l+2p-l’)/s+1

输入与输出相等时：p=[s(l-1)+l’-l]/2

矩阵相乘：c”*cl’h’w’ 与 nl”h”w”*cl’h’w’ 相乘

1.2.        Resnet10


残差结构有利于学习Identify map，bottleneck在中间降维有利于减少参数量。

例：256*3*3*256 à 256*1*1*64 + 64*3*3*64 + 64*1*1*256 = 896*64

1.3.        Inception

1.3.1.       V111


最低0.47元/天 解锁文章

200万优质内容无限畅学
一维卷积（1D-CNN）、二维卷积（2D-CNN）、三维卷积（3D-CNN）
程序员，他们想的是什么?他们想的永远都是技术，他们崇尚的也永远都是技术。
11-07 9496
比如：对3幅连续帧用三维卷积核进行卷积，可以理解为用3个不同的二维卷积核（二维卷积神经网络中使用的卷积核）卷积3张图，并将卷积结果相加（通过这种处理，网络就提取了时间之间的某种相关性）；上图的三维卷积是对连续的三帧图像进行卷积操作（堆叠多个连续帧组成一个立方体，在立方体中利用三维卷积核进行卷积，这样得到的每个特征map都与上一层中3个邻近的连续帧相连）；3（3为时间维度），即每次操作3帧图像，采用了2种不同的3D卷积核，增加了maps数量；2D卷积：卷积核在输入图像的二维空间进行滑窗操作。
利用2D CNN实现人体行为识别
m0_51178033的博客
03-21 2971
UCI HAR、2D CNN
深度学习基石：卷积神经网络（CNN）详解
最新发布
Gupao123的博客
05-22 1150
卷积神经网络（CNN）是一种专为处理网格状数据（如图像、视频、音频和文本）设计的深度学习模型。其核心在于通过卷积层提取局部特征，利用池化层降低数据维度，并通过全连接层进行分类或回归。CNN通过局部连接和参数共享，显著减少了模型参数，同时具备平移不变性，使其在图像分类、目标检测等计算机视觉任务中表现卓越。典型的CNN架构包括卷积层、激活函数、池化层和全连接层的交替堆叠。通过Keras构建的简单CNN模型在MNIST手写数字数据集上展示了其强大的分类能力。
2D CNN网络
qq_30006593的博客
09-24 2360
模型inceptionv1-v4Inception增加1×1层 5*5->2*3*3, 1*n*n*1, 并行pool，全链接层替换为均值pooling global average pooling 全面
2D-CNN-and-3D-CNN_MRI-Classification:使用5折交叉验证的MRI多重分类的2D CNN和3D CNN
04-13
2D-CNN和3D-CNN_MRI分类 使用5折交叉验证对MRI进行多分类的2D CNN和3D CNN模型。 所有图像均为NIfTI 用于早期融合的3D CNN架构 二维融合CNN的准确性/损失，平均为5倍 （a）2D，（b）3D融合CNN的混淆矩阵
基于二维卷积网络（2DCNN）多特征输入的风速预测项目实战（pytorch）（多特征）
weixin_44829487的博客
05-11 2588
本项目实现了基于二维卷积网络的多特征输入的的风速预测（使用了数据集中的8个特征作为输入），其效果明显比本人之前文章所做的一维多特征效果好。
1维CNN和2维CNN
weixin_44943389的博客
10-18 2030
主要应用领域不同：1D CNN适用于序列数据，2D CNN适用于图像数据。输入形状不同：1D CNN接受三维数据，2D CNN接受四维数据。1D CNN在时间维度上滑动卷积核，2D CNN在图像的宽度和高度上滑动卷积核。具体选择使用哪一种取决于你的数据类型和任务需求。例如，如果你处理的是文本数据，1D CNN可能更适合；如果你处理的是图像数据，2D CNN更合适。
matlab_1D CNN和2D CNN网络的仿真实现，包含完整的子函数分解
06-24
在本文中，我们将深入探讨如何在MATLAB中实现1D卷积神经网络（1D CNN）和2D卷积神经网络（2D CNN）的仿真实例。MATLAB作为一个强大的数学计算软件，提供了丰富的工具箱，包括深度学习工具箱，使得用户能够方便地构建...
3D 卷积神经网络：将任意 2D CNN 扩展为 3D CNN，扩展了 Mathworks 大部分官方预训练权重模型的通用性！-matlab开发
05-31
将任何 2D CNN 扩展到 3D CNN，以用于动作识别等研究。 它为 Mathworks 的大多数官方预训练权重模型扩展了多功能性！ （ https://ww2.mathworks.cn/matlabcentral/fileexchange/?q=profileid:8743315 ）
手把手教你用一个简单的2DCNN完成MNIST数字识别任务！
cl15926282674的博客
05-24 1419
卷积神经网络（CNN）是当前用于图像分类任务的最先进的体系结构。无论是面部识别、自动驾驶汽车还是物体检测，CNN都被广泛使用。在这篇文章中，我们设计了一个简单的二维卷积神经网络（CNN）模型，该模型使用具有张量流后端的ke...
2D-CNN-Forward-Propagation:在Vitis HLS中使用C ++实现2D卷积神经网络
04-13
2D-CNN向前传播 在Vitis HLS中使用C ++实现2D卷积神经网络 CNN-使用-HLS 目录结构： 该软件包包含以下目录： modules /-用于开发和测试用于CNN实施的单个HLS功能的目录 neuronetwork_stream /-包含C ++源代码和测试平台的目录 py /-包含用于训练神经网络的python代码的目录 使用的软件： 操作系统：Windows Vivado HLS 2020.2-仿真结果与综合 Python库 numpy-版本1.18.0 tensorflow-版本2.1.0 sklearn-版本0.24.1 scipy-版本1.6.2
2021- （让2D CNN具有短期编码的能力）用于实时暴力识别的高效时空建模方法
qq_41956697的博客
07-29 955
IEEE Access的一篇文章，其模型在RWF-2000数据集获得了92%的准确率，作者提出了轻量级的空间注意模块和时间注意模块，还有一个Frame-grouping方法，可以与传统的二维卷积神经网络（2D CNNs）相结合，该方法是本文的亮点，作者通过消融实验证明了Frame-grouping方法获得的提升最大，仅使用Frame-grouping都可以在RWF-2000数据集获得88%的准确率，而且Frame-grouping还降低了计算量，更有利于部署在硬件端。下图为整个模型的流程图： 空间注意力M
基于卷积神经网络的高光谱分类（1D、2D、3D-CNN）
热门推荐
qq_45047246的博客
01-01 1万+
基于卷积神经网络的高光谱分类（1D、2D、3D-CNN） 含代码
CNN中2d卷积算子的分析与实验
智慧的旋风的博客
03-15 1461
CNN中2d卷积算子的分析与实验 为了和之前的GNN中图卷积算子的实验相对应，本次实验主要对CNN中的2d卷积进行了分析。 在CNN中，2d卷积作为一种基本的算子，广泛应用于很多模型当中，例如LeNet、AlexNet、GoogleNet、ResNet。和GNN不同，各种不同CNN模型的卷积操作都是一致的，即（在pytorch中）都是用函数torch.nn.Conv2d为基础来构建整个模型（只不过卷积的参数略有区别），具体模型结构可以。因此，使用何种模型进行实验反而不那么重要了。 经典的模型结构可以参考：h
【适合小白】基于2DCNN的多特征输入风速多步长多输出风速预测项目实战（pytorch）（多维特征）（前50天预测后5天）【有数据集和代码，可运行】
weixin_44829487的博客
12-15 1311
本项目是基于PyTorch深度学习框架实现一个二维卷积网络来进行风速预测的项目，网络的输入是风速的八个特征，用前50天的8个特征数据进行预测后5天的风速，适用于多特征输入多步长输出（多输出）的预测问题。【输入是（batch_size, 1, 50, 8）,输出是（batch_size, 5）】【本项目的代码文件分模块整理，包含模型构建、数据划分、训练过程等模块都清晰分明】config中定义了项目的基本参数，可以在里面修改训练参数。
1DCNN 2DCNN LeNet5，VGGNet16使用tensorflow2.X实现
qq_41122834的博客
06-18 968
1DCNN是1维卷积 2DCNN是两层卷积，+池化层 leNet5是两段卷积层+池化层，最后加三层全连接层 VGGNet16总共分为八段： from tensorflow.keras.models import Sequential from tensorflow.keras import layers from tensorflow import keras def LeNet_CNNmodel(): model = keras.models.Sequential([ laye
CNN相关公式
qq_39951635的博客
03-05 418
建议可以先看一下这个问题如何通俗易懂地解释卷积？，会了解的更透彻~（我甚至觉得百度百科都值得探索） 回归正文~记录贴（侵删，感恩） 卷积的物理意义： 系统某一时刻的输出是由多个输入共同作用（叠加）的结果。放在图像分析里，可以理解为原始像素点(source pixel)，所有的原始像素点叠加起来，就是原始图了。 卷积的3个核心思想： 稀疏交互（sparse interactions），即每个节点通过固定个（一般等于卷积核元素的数目，远小于前一层节点数）连接与下一层的神经元节点相连; 尽管是稀...
1D CNN+2D CNN+3D CNN
weixin_44378513的博客
01-11 6147
1D CNN+2D CNN+3D CNN 3D CNN过程详解 区别 1维卷积，核沿1个方向移动。一维CNN的输入和输出数据是二维的。主要用于时间序列数据。 2维卷积，核沿2个方向移动。二维CNN的输入输出数据是三维的。主要用于图像数据。 3维卷积，核沿三个方向移动。三维CNN的输入输出数据是4维的。主要用于3D图像数据（MRI，CT扫描）。 参考 卷积神经网络 1、padding 在卷积操作中，过滤器（核）的大小通常为奇数 3x3，5x5。好处有两点： 在特征图（二维卷积）中存在一个中心像素点。有一个中
1dcnn平均池化公式
01-10
### 1D卷积神经网络中的平均池化 在1D卷积神经网络(CNN)中，平均池化是一种下采样技术，用于减少特征图的空间尺寸并提取主要特征。对于一维输入数据，平均池化操作通过滑动窗口来执行，在该窗口内取均值作为输出的一部分。 假设有一个长度为\(L\)的一维输入向量\(\mathbf{x}=[x_0, x_1,...,x_{L-1}]^T\)以及大小为\(k\)的池化核，则第\(i\)个位置上的平均池化输出可以表示如下： \[y_i=\frac{1}{k}\sum^{j=k-1}_{j=0}x_{i+j}, \quad i=0,\dots,L-k\] 这里，\(y_i\)代表经过平均池化后的输出序列中的元素；分母\(k\)即为池化窗口宽度，分子部分是对当前窗口内的所有元素求和[^1]。 当处理边界情况时，如果最后一段的有效区域不足以填满整个池化窗，则通常有两种策略可以选择：一是忽略这部分不完整的片段；二是调整最后一个窗口的位置使得其刚好覆盖到输入结尾处，并采用填充零或其他方式补全不足的部分再做运算。 为了更好地理解这个过程，下面给出一段Python代码实现简单的1D平均池化功能： ```python import numpy as np def avg_pooling_1d(x, kernel_size): output_length = len(x) - kernel_size + 1 y = [] for i in range(output_length): window_sum = sum([x[i + j] for j in range(kernel_size)]) pooled_value = window_sum / float(kernel_size) y.append(pooled_value) return np.array(y) # 测试案例 input_data = [4., 2., 7., 9., 3.] kernel_width = 3 output_result = avg_pooling_1d(input_data, kernel_width) print("Input:", input_data) print("Output after Average Pooling with Kernel Size {}: {}".format(kernel_width, list(output_result))) ``` 上述程序定义了一个名为`avg_pooling_1d()`函数，它接受两个参数——待处理的数据列表`x`和平铺层窗口大小`kernel_size`。此函数会遍历输入数组，按照指定步幅应用平铺操作并将结果存储在一个新的列表里返回给调用者。
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