【面试之CNN基础知识梳理】

最新推荐文章于 2024-03-19 23:54:50 发布
最新推荐文章于 2024-03-19 23:54:50 发布
阅读量642 收藏 6
点赞数
分类专栏： 人工智能 文章标签： cnn 深度学习 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_46485945/article/details/125991519
版权
本文详细介绍了卷积神经网络(CNN)的结构，包括卷积层的特征提取、池化层的下采样与过拟合缓解，以及全连接层的连接方式。讲解了CNN的主要优势如局部连接、权值共享和多层次结构，并列举了CNN在具有空间相关性的数据领域的广泛运用。同时涵盖了感受野的计算概念。

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

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档

CNN基础知识

一、CNN结构？

1.卷积层

  1. 作用：提取特征
  2. 卷积层参数量计算方法
    在这里插入图片描述
  3. 卷积层输出大小计算【向下取整】
    向下取整
  4. 采用小卷积核的优势？

在这里插入图片描述

  1. 卷积核的大小为什么都是奇数*奇数
    更容易paddding, 采用same padding时可以与原来的大小一样。

2.池化层

  1. 作用：下采样；减轻模型的过拟合风险
  2. 分类：最大池化和平均池化
  3. 最大池化怎么反向传播？
    与dropout类似，根据最大值来筛选，剩下的神经元抛弃。反向传播的时候就更新保留下来的神经元和与之相关的有关权重，其他是0
  4. 平均池化怎么反向传播？
    反向传播的过程就是把某个元素的梯度等分为n份分配给前一层，保持池化前后的梯度之和不变。
    池化层反向传播过程

3.全连接

  1. 定义：在相邻的两层神经网络中，前一层的每个神经元与后一层的每个神经元都有连接。
  2. 缺点：参数太多
  3. 参数计算方法
    （上一层神经元个数+1）*当前层神经元个数
    全连接层参数计算方法

二、CNN优势

1.局部连接

  • 每个神经元仅与输入神经元的一块区域连接

2.权值共享

  • 卷积核内的参数不会因为卷积位置的改变而改变
  • 一个通道使用同一个卷积核。

3.池化操作

4.多层次结构

三、CNN使用范围

  • 具有局部空间相关性的数据

附： 感受野的计算

题目
公式

感受野的计算

卷积神经网络(CNN)
weixin_49376454的博客
06-02 1345
卷积神经网络(CNN)
CNN 基础知识
sysu_Alex的博客
02-23 474
1. 神经元 VS feature map VS 卷积核    神经元：feature map 的大小    feature map：输入图像经过卷积核卷积后的各像素点的组合    卷积核： 属于共享参数   2. 权值共享    权值共享：同一个feature map中神经元使用同一个权值，可训练参数只与卷积核大小、个数、通道有关   3. 感受野 and 计算量    计算量...
CNN基础知识
Ethan_Wuuu的博客
08-03 655
关于权值初始化方法文件 caffe/include/filler.hpp提供了7种权值初始化的方法，分别为：常量初始化（constant）、高斯分布初始化（gaussian）、positive_unitball初始化、均匀分布初始化（uniform）、xavier初始化、msra初始化、双线性初始化（bilinear）。 TYPE PARAM EXPLAIN Constant Va
算法面试基础知识.zip
02-20
在准备算法面试的过程中，基础知识是至关重要的。"算法面试基础知识.zip"这个压缩包文件涵盖了四个核心领域：数学基础、统计机器学习、数据结构与算法以及深度学习，这些都是现代信息技术领域尤其是算法工程师必须...
深度学习基础知识：掌握这些面试技巧，让你在机器学习面试中脱颖而出
[深度学习基础知识：掌握这些面试技巧，让你在机器学习面试中脱颖而出](https://binmile.com/wp-content/uploads/2023/05/Techniques-Used-By-Generative-AI.png) # 摘要 随着人工智能技术的迅猛发展，深度学习已...
自然语言处理(NLP)之路—(1)—面试准备：基础/重要知识点整理
Robin_Pi的博客
01-05 1213
写在前面 思路：来源于《自然语言处理面试基础》； 方式：点杀、输出与迭代； 常见知识点 0105 第一次知识点收集 让我们先看看一些常见自然语言处理面试题： RNN 为什么会发生梯度消失？如何改进？ LSTM 的模型结构是什么？ 为什么说 LSTM 具有长期记忆功能？ LSTM 为什么能抑制梯度衰减？ 什么是 Word2Vec？如何训练？ Word2vec，CBOW 和 Skip-gram 的区别...
2021-最新大厂AI面试题q2版121题：含答案及解析21.7.23
03-01
首先，数据结构是AI面试中不可避免的基础知识。其中，二叉查找树是面试中经常出现的题目，它能够高效地完成查找、插入和删除等操作。快速排序算法也是面试中的常客，它以其高效的平均时间复杂度和优雅的解决思路，...
算法基础知识整理
qq_32897939的博客
08-06 1992
1、NMS https://blog.youkuaiyun.com/lanchunhui/article/details/71216463，https://blog.youkuaiyun.com/HappyRocking/article/details/79970627，https://blog.youkuaiyun.com/leviopku/article/details/80886386 2、评价指标recall，PR等 https://www.cnblogs.com/Zhi-Z/p/8728168.html，https://blog.c
CNN 基础知识汇总
膝盖走路JYM的博客
01-31 522
所谓特征：不管你怎么旋转目标，离目标远近，它的特征都应不变才对，这两个特性称为叫旋转不变性和尺度不变性。当然还有其它特征，如光照不一样，也不应该变化嘛，只是旋转不变性和尺度不变性是最基本的两个要求。 特征检测：就是检测图像中目标的特征呗 对特征的描述有很多种方法和算子，常见的有SIFT特征描述算子、SURF特征描述算子、ORB特征描述算子、HOG特征描述、LBP特征描述以及Harr
深度学习面试题之CNN
心向林丶的博客
06-06 6228
1、介绍下卷积操作的作用 卷积网络中的卷积核参数是通过网络训练出来的 通过卷积核的组合以及随着网络后续操作的进行，卷积操作可获取图像区域不同类型特征；基本而一般的模式会逐渐被抽象为具有高层语义的“概念”表示，也就是自动学习到图像的高层特征。 2、CNN结构特点 局部连接，权值共享，池化操作，多层次结构。 1、局部连接使网络可以提取数据的局部特征 2、权值共享大大降低了网络的训练难度，一个Filter只提取一个特征，在整个图片（或者语音／文本） 中进行卷积 3、池化操作与多层次结构一起，实现了数据的降维，将低
CNN基础知识理解
zhuimengshaonian66的博客
11-06 303
     
CNN的一些基础知识理解
hnsywangxin的博客
12-29 384
转载地址：http://blog.youkuaiyun.com/sgfmby1994/article/details/72897800最终，输出的每一维都是图片属于该类别的概率（一共1000个类别）。
CNN面试看这一篇就够了
个人记录使用
11-20 1146
文章目录1. 计算机视觉2.边缘检测示例3.更多边缘检测内容4.Padding5.卷积步长6.三维卷积7.单层卷积网络8.简单卷积网络示例9.池化层10.卷积神经网络示例11.为什么使用卷积？ 1. 计算机视觉 2.边缘检测示例 3.更多边缘检测内容 4.Padding 5.卷积步长 6.三维卷积 7.单层卷积网络 8.简单卷积网络示例 9.池化层 10.卷积神经网络示例 11.为什么使用卷积？ ...
CNN与常用框架
热门推荐
会思考的蜗牛
07-05 2万+
七月在线 5月深度学习班课程笔记——No.4　　 　　这一节内容比较丰富。主要介绍神经网络的每一个层级结构，理清楚每一层可能影响结果的参数，再介绍CNN的常用框架。1. 神经网络1.1 神经网络——是什么？　　神经网络没有一个严格的正式定义。它的基本特点，是试图模仿大脑的神经元之间传递，处理信息的模式。还是有些抽象，那么看看下面这张图。 　　 　　输入层和输出层之间有多个隐层hidden lay
腾讯春招密籍：2024最全CNN面试题大全，深度学习达人都在秘密分享！
最新发布
Von_016's Blog
03-19 2138
池化（Pooling）是CNN中用于减小特征映射尺寸、减少参数数量和计算量的一种操作，同时能够提高模型对输入变化的鲁棒性。池化操作通常应用在卷积层之后，通过对卷积层输出的特征映射进行下采样（subsampling）或池化来实现这些目的。池化的主要类型包括最大池化（Max Pooling）：在特征映射的指定区域内取最大值作为该区域的输出。最大池化能够有效地捕捉图像中的纹理特征，并且对小的位移保持不变性。平均池化（Average Pooling）：计算特征映射指定区域内的平均值，作为输出。
机器学习/人工智能的笔试面试题目——CNN相关问题总结
FPGA/MATLAB学习教程/源码/项目合作开发
08-24 847
seq2seq模型是将一个序列信号，通过编码和解码生成一个新的序列信号，输入和输出序列的长度实现并不知道。seq2seq的模型的核心思想由编码输入和解码输出两个环节构成。在经典的实现中，编码器和解码器各由一个循环神经网络构成，两个循环神经网络是共同训练的。解决问题：机器翻译、语音识别、自动对话。
CNN全网最强大厂面试级深度的知识点整理
Xu_Wave
05-09 1098
CNN 面试
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