深度学习中的各种卷积总结

原创 已于 2025-10-12 16:54:11 修改 · 143 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：

#深度学习 #人工智能

于 2025-04-08 16:36:25 首次发布

参考链接：
如何理解空洞卷积（dilated convolution）？ - 初识CV的回答 - 知乎
https://www.zhihu.com/question/54149221/answer/1850592489

概念辨析：

filter由kernel组成。

关于：卷积前channel为n，卷积后channel为m是为什么，也可以参照上面的链接。其实就是定义了m个filter，然后每个filter内有n个kernel。而每个filter计算一次就能得到一个channel，那么m个自然就是m个channel，所以输出是m。

2D卷积和3D卷积的理解：

二者核心区别在于卷积核可以活动的维度不同。

https://blog.youkuaiyun.com/abbcdc/article/details/123332063

深度学习：从2D卷积到3D卷积的简单理解_ygg模型-卷积核2d转化3d 原创-优快云博客

深度学习知识点全面总结
专注大数据与人工智能技术分享，欢迎私信加群互相学习！
01-05 36万+
本文详细介绍深度学习概念及原理，参考网上相关资料汇总，内容包含众多章节，包括神经网络基础及常见深度学习网络结构介绍，用于个人学习总结，适合深度学习初学者学习。同时介绍机器学习常见的分类算法：SVM、神经网络、随机森林、逻辑回归、KNN、贝叶斯。常见的监督学习算法：感知机、SVM、人工神经网络、决策树、逻辑回归.........
深度学习中的卷积算子原理
TheJustice_的博客
06-11 2309
卷积算子通过在输入数据上进行滑动窗口操作，提取局部特征；而GPU加速利用其强大的并行计算能力和高效内存架构，显著提升计算速度。PyTorch和TensorFlow分别通过动态计算图和静态计算图、自动微分、混合精度训练、操作融合等技术，实现深度学习任务的高效计算。这些优化技术在大规模深度学习任务中发挥着关键作用，确保模型训练和推理的高效性和准确性。
深度学习中的卷积和反卷积
qq_32205577的博客
05-26 2850
f∗gn∑k−∞∞fkgn−kf∗gnk−∞∑∞​fkgn−k翻转平移：卷积核先水平/垂直翻转再进行滑动计算积分变换本质：表征函数f与g重叠部分的乘积积分滑动平均推广：当g为区间指示函数时，卷积即滑动平均数学理论深化：从离散卷积到群上卷积的泛化硬件协同优化：TensorCore对3×3卷积的特殊加速跨领域融合：在药物动力学IVIVC模型中的应用创新“卷积是特征提取的基石，反卷积是想象力的翅膀” —— 计算机视觉领域谚语。
深度学习中的各种卷积
victory_gx的博客
02-12 4454
深度学习中的各种卷积 一、卷积与互相关 在信号处理、图像处理和其它工程/科学领域，卷积都是一种使用广泛的技术。在深度学习领域，卷积神经网络（CNN）这种模型架构就得名于这种技术。但是，深度学习领域的卷积本质上是信号/图像处理领域内的互相关（cross-correlation）。这两种操作之间存在细微的差别。 无需太过深入细节，我们就能看到这个差别。在信号/图像处理领域，卷积的定义是：(f∗g)(t)=∫−∞∞f(τ)g(t−τ)(f*g)(t)=\int_{-\infty}^{\infty}f(\tau)g
深度学习-各种卷积的总结
记录学习的小白
06-09 2291
如果你听说过深度学习中不同种类的卷积（比如 2D / 3D / 1x1 /转置/扩张（Atrous）/空间可分/深度可分/平展/分组/混洗分组卷积），并且搞不清楚它们究竟是什么意思，那么这篇文章就是为你写的，能帮你理解它们实际的工作方式。在这篇文章中，我会归纳总结深度学习中常用的几种卷积，并会试图用一种每个人都能理解的方式解释它们。除了本文之外，还有一些关于这一主题的好文章，请参看原文。希望本文能帮助你构建起对卷积的直观认知，并成为你研究或学习的有用参考。
深度学习基础—卷积运算
sniper_fandc的博客
08-28 1889
在计算机视觉领域，卷积运算撑起了半边天，因此在学习计算机视觉前，首先来了解一下卷积运算是如何运算的。假设正在进行边缘检测，垂直边缘检测会把图片中接近垂直的边缘提取出来，即人的侧边、栏杆等。而水平边缘检测会把图片中接近水平的边缘提取出来，即横杆、自行车轮的上侧等。现在以垂直边缘检测为例，解释一下卷积运算是如何进行的？卷积运算用*符号表示，一张图片表示的矩阵*一个过滤器（或被称为核，在图像处理领域又被称为滤波器）=新的图片表示的矩阵。
深度学习中的各种卷积、池化介绍。 区别和联系
m0_45276337的博客
12-04 1665
标准卷积、深度卷积、可变性卷积。 平均池化、最大池化
深度学习中的20种卷积
热门推荐
人无远虑，必有近忧
07-13 1万+
大多数的卷积结构都是在精度-参数量-计算量这三个维度上进行不同的侧重取舍。两个矛盾：追求计算效率的卷积结构由于计算预算较低，无论是限制卷积层的深度，还是限制了卷积的宽度，不可避免地会导致性能的下降。追求精度提升的卷积结构由于其引入过多的卷积运算或其他额外的操作（如注意力），势必会增大内存或计算开销，从而影响模型的容量和整体的训练或推理速度。一个设计的原则就是我们如何在不增加额外参数量的情况下，尽可能利用有效的信息或者从降低冗余空间信息的角度出发，来提高模型的计算效率和卷积提取特征的能力。
一文读懂 深度学习中12种经典卷积方法
weixin_56054625的博客
08-25 1160
举一个具体例子，假设输入层的大小是 7×7×3（高×宽×通道），而过滤器的大小是 3×3×3。每个过滤器的大小为 3×3×1。现在，对于大小为 H×W×D 的输入图像，如果使用 Nc 个大小为 h×h×D 的核执行 2D 卷积（步幅为 1，填充为 0，其中 h 是偶数）。如果你听说过深度学习中不同种类的卷积（比如 2D / 3D / 1x1 /转置/扩张（Atrous）/空间可分/深度可分/平展/分组/混洗分组卷积），并且搞不清楚它们究竟是什么意思，那么这篇文章就是为你写的，能帮你理解它们实际的工作方式。
深度学习之空洞卷积
03-09
总结来说，空洞卷积是深度学习领域中的一个突破性技术，它为解决密集预测问题，特别是语义分割任务，提供了新的解决方案。通过允许卷积核以非线性方式扩大感受野，空洞卷积能够有效地聚合多尺度上下文信息，并在多个...
机器学习与深度学习基础（五）：深度神经网络经典架构简介
TracyCoder的博客
12-11 421
本文学习要点：1.深度神经网络分层架构：全连接层卷积层池化层2.深度神经网络代表:CNN：CNN、AlexNet、VGG-Net、GoogLeNet（Inception）、ResNet（残差连接）编码器-解码器架构：序列到序列模型（Seq2Seq）
深度学习与机器学习的3个关键区别
dream_it_come_in的博客
12-05 1164
在人工智能的浪潮中，“机器学习” 和 “深度学习” 是两个高频出现却常被混淆的概念。很多人误以为深度学习是机器学习的 “升级版”，但实际上二者在技术逻辑、适用场景和核心能力上存在本质区别。今天我们就从三个核心维度，拆解它们的关键差异，帮你快速理清 AI 技术的底层逻辑。
Transformer 能否取代 CNN？图像去噪中的新范式探索
dream_it_come_in的博客
12-08 1137
引言：一场视觉任务的范式之争自 2017 年 Transformer 诞生以来，这场最初为自然语言处理设计的架构，正以不可阻挡的势头冲击计算机视觉领域。从 ViT 打破 CNN 在图像分类的垄断，到 Swin Transformer 横扫分割、检测任务，“Transformer 能否取代 CNN” 成为业界持续争论的焦点。而在图像去噪这一基础任务中，这一争论更具现实意义 ——CNN 凭借局部建模优势长期占据主导，Transformer 则以全局注意力机制带来新可能。
基于协同过滤和深度学习的视频推荐系统设计与实现
电脑管家
12-07 1104
本文介绍了一个融合协同过滤和深度学习技术的视频推荐系统。系统采用分层架构，包含数据预处理、模型层、推荐引擎和服务层。核心算法实现包括：1)基于SVD矩阵分解的协同过滤，使用Surprise库实现；2)神经网络协同过滤模型，通过Embedding层学习用户和视频的隐向量表示。系统采用加权融合策略(CF占40%，深度学习占60%)结合两种算法结果，并引入分类多样性机制优化推荐效果。技术栈选用Python生态工具链，包括NumPy/Pandas、Scikit-learn、TensorFlow和Flask等。该系统
机器是如何识别图片的？：卷积神经网络
最新发布
最简单的方法，解决最实际的问题。
12-11 677
卷积神经网络（Convolutional Neural Networks, CNN）是一种专门用于处理具有网格状结构数据的深度学习算法，“卷积”一词源于同名的数学运算，它是一种常用于图像处理的特殊线性运算。卷积神经网络在图像识别、计算机视觉等领域表现出色。
极简单cnn对称之美
ganggangwawa的博客
12-10 888
double delta11 = E偏导zII * wcnn[1][0]*dsigmoid(aI[0]);double delta12 = E偏导zII * wcnn[1][1]*dsigmoid(aI[1]);wcnn[1][i] = wcnn[1][i] - 常数a * wcnn的偏差[1][i];wcnn[0][i] = wcnn[0][i] - 常数a * wcnn的偏差[0][i];wcnn的偏差[0][1] =wcnn的偏差[1][1] =wcnn的偏差[1][2] =
基于卷积神经网络的手写数字识别（Matlab 实现）
2504_94290909的博客
12-10 547
基于卷积神经网络的手写数字识别（matlab实现）基于CNN的matlab手写数字识别可以加Lenet-5模型数据集自制 数字大小5*5训练过程良好，识别准确率在95%以上（数值+图像）主成分分析提取像素点包含图片输入和手写板输入两种方式加50在机器学习领域，手写数字识别是一个经典的项目。今天，咱们就来聊聊如何用 Matlab 基于卷积神经网络（CNN）实现手写数字识别，并且会用到 Lenet - 5 模型，还会涉及自制数据集以及多种输入方式等有趣的内容。
【岩石种类识别系统】Python+TensorFlow+Vue3+Django+人工智能+深度学习+卷积网络+resnet50算法
子午的博客
12-09 906
岩石种类识别系统，基于TensorFlow搭建卷积神经网络算法，通过对7种常见的岩石图片数据集（‘玄武岩（Basalt）’, ‘煤（Coal）’, ‘花岗岩（Granite）’, ‘石灰岩（Limestone）’, ‘大理石（Marble）’, ‘石英岩（Quartzite）’, ‘砂岩（Sandstone））进行训练，最后得到一个识别精度较高的模型，然后搭建Web可视化操作平台。前端后端：Django算法：TensorFlow、卷积神经网络算法具体功能。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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