CNN 卷积神经网络结构

最新推荐文章于 2025-02-25 21:42:14 发布
转载 最新推荐文章于 2025-02-25 21:42:14 发布 · 173 阅读 · 0 ·
CC 4.0 BY-SA版权
原文链接：http://www.cnblogs.com/Bella2017/p/7756171.html
文章标签：

#人工智能

cnn每一层会输出多个feature map, 每个Feature Map通过一种卷积滤波器提取输入的一种特征，每个feature map由多个神经元组成，假如某个feature map的shape是m*n, 则该feature map有m*n个神经元。对于卷积层会有kernel, 记录上一层的feature map与当前层的卷积核的权重,因此kernel的shape为(上一层feature map的个数，当前层的卷积核数)。

CNN网络结构

一种典型卷积网络结构是LeNet-5，用来识别数字的卷积网络。结构图如下（来自Yann LeCun的论文）： 
LeNet-5
在卷积神经网络算法的一个实现文章中，有一个更好看的图: 
LeNet-5
该图的输入是一张28*28大小的图像，在C1层有6个5＊5的卷积核，因为C1层输出6个(28-5+1)(28-5+1)大小的feature map。然后经过子采样层，这里假设子采样层是对卷积层的均值处理(mean pooling), 其实一般还会有加偏置和激活的操作，为了简化，省略了这两步，只是对卷积层进行一个采样的操作。因此S2层输出的6个feature map大小为(24/2)(24/2).在卷积层C3中，它的输入是6个feature map，与C1不一样（C1只有一个feature map，如果是RGB的话，C1会有三个channel）。C3层有12个5＊5卷积核，每个卷积核会与上一层的6个feature map分别做卷积（事实上，一般是选择几种输入feature map来做卷积，而不是全部的feature map），然后对这6个卷积结果求和组成一个新的feature map，即该层会有12个大小为(12-5+1)*(12-5+1)的feature map，这个feature map是经过sigmod 函数处理然后结果下一层S4。 
这里写图片描述 


同理，S4层有12个(与卷积层的feature map数一致)大小为(8/2)*(8/2)的feature map。输出层把S4层的feature mapflatten一个向量，向量长度为12*4*4=192,以该向量作为输入，与下面的其它层全连接，进行分类等操作，也就是说把一张图片变成一个向量，接入到别的网络，如传统的BP神经网络，不过从整体来看，CNN可以看做是一个BP神经网络。

（李宏毅的深度学习课上cnn那节有讲，互相补充）

转载于:https://www.cnblogs.com/Bella2017/p/7756171.html

bill_live
关注
深度学习 | MATLAB实现CNN卷积神经网络结构及参数概述
机器学习之心的博客，关注并私信文章链接，获取对应文章源码和数据。
07-06 4637
深度学习 | MATLAB实现CNN卷积神经网络结构及参数概述
CNN卷积神经网络学习笔记2：网络结构
July's Pensieve
07-05 5546
这篇笔记中，通过一个简单的CNN的例子，梳理一下CNN的网络结构的细节。 以下是一个6层的CNN网络，我们输入的是一张大小为28*28的图片。 需要注意的有： 1，这里输入的是一张图片，如果我们输入了50张图片，那么下图中的每一个方框（代表一种特征图）实际上代表了50张图片。 2，在S3和S5的采样层只做了mean pooling，其实一般还会有加偏置和激活的操作，这个CNN网络比较简单，
卷积神经网络（CNN）之网络结构解析
qq_40334856的博客
03-22 1067
CNN的层级结构 一、数据的输入层 二、卷积计算层 -1、
卷积神经网络（CNN）结构详解
qq_40979103的博客
10-18 4420
1.输入是一个图片样本。CNN模型的层数，所有隐藏层的参数和类型2.若为卷积层，给出卷积核的个数、维度、填充、步幅若为池化层，给出池化区域的大小k和池化标准对于全连接层，给出各层的神经元数和激活函数的类型3.根据填充，得到输入的张量a^1.并初始化所有隐藏层的参数w和b若为卷积层，输出若为池化层，输出若为全连接层，输出若为最后一层全连接层，即输出层最后补充一句：卷积层和全连接层表达式看似相同，实际有很大的区别：在卷积层中W是卷积核，星号（*）表示卷积，W卷积核矩阵是右乘的。
CNN卷积神经网络
分享实践与思考
05-26 1万+
目录 一、BP神经网络回顾 二、CNN卷积神经网络 1、CNN的主要概述 2、CNN的一般结构 三、CNN卷积神经网络的应用 四、常见的CNN卷积神经网络 一、BP神经网络回顾 人工全连接神经网络 （1）每相邻两层之间的每个神经元之间都是有边相连的 （2）当输入层的特征维度变得很高时，这时全连接网络需要训练的参数就会增大很多，计算速度就会变得很慢 传统神经网络存在的...
【人工智能基础07】卷积神经网络基础（CNN）：卷积神经网络结构、各层计算原理，以及常见卷积神经网络
hiliang521的博客
08-03 6248
卷积神经网络
MATLAB实现CNN卷积神经网络多特征分类预测（完整源码和数据）
10-13
MATLAB实现CNN卷积神经网络多特征分类预测（完整源码和数据） 数据多特征分类数据，输入15个特征，分四类。 运行环境MATLAB2018b及以上，CNN的基本结构由输入层、卷积层、池化层，也称为取样层、全连接层及输出层...
MATLAB实现CNN卷积神经网络多输入回归预测（完整源码和数据）
10-13
卷积神经网络（CNN，Convolutional Neural Network）是一种在图像处理领域广泛应用的深度学习模型，近年来也逐渐被引入到其他领域，如自然语言处理和时间序列预测。在这个MATLAB实现的项目中，CNN被用来进行多输入...
卷积神经神经网络结构细讲
08-23
卷积神经网络细节讲解，其中对CNN的各个基本组件进行了充分的论述。还有讲解了dropout，以及如何理解dropout,最后对目前存在的典型的CNN架构进行了很详细的讲解，不管你是有经验的，还是新手，都可以从中得到一些启发
【人工智能与机器学习】基于卷积神经网络CNN的猫狗识别
apple_52030329的博客
07-02 1万+
卷积神经网络（Convolutional Neural Networks，简称CNN）是一种具有局部连接、权值共享等特点的深层前馈神经网络（Feedforward Neural Networks），是深度学习（deep learning）的代表算法之一，擅长处理图像特别是图像识别等相关机器学习问题，比如图像分类、目标检测、图像分割等各种视觉任务中都有显著的提升效果，是目前应用最广泛的模型之一。
CNN卷积神经网络结构遐思
godme
04-11 338
残缺的神经网络 卷积神经网络，是神经网络的子集，是残缺的神经网络。 [a00a01a02a10a11a12a20a21a22]⊙[b00b01b10b11]=[c00c01c10c11] \left[\begin{matrix}a_{00} & a_{01} & a_{02} \\a_{10} & a_{11} & a_{12} \\a_{20} & a_{...
CNN卷积神经网络（图解CNN）
热门推荐
WGS.
08-23 7万+
超详细的CNN卷积网络讲解，及经典网络LeNet复现
卷积神经网络（CNN）
medusa_zj的博客
12-12 1028
卷积神经网络（CNN）经典卷积神经网络（CNN）卷积神经网络结构从神经网络到卷积神经网络（CNN）传统神经网络CNNCNN结构输入层卷积层激励层池化层全连接层LeNet-5模型INPUT层-输入层C1层-卷积层S2层-池化层（下采样层）C3层-卷积层S4层-池化层（下采样层）C5层-卷积层F6层-全连接层 经典卷积神经网络（CNN） LeNet-5模型：第一个成功应用于数字数字识别的卷积神经网络模...
CNN结构
MrTeq的专栏
01-25 245
https://www.jiqizhixin.com/articles/2019-01-25-6 ***7大类深度CNN架构创新综述 https://image.jiqizhixin.com/uploads/editor/2e2ad4fe-b45f-4f03-ac93-56b1246da60a/640.jpeg A Survey of the Recent Architectures of...
卷积神经网络（CNN）原理与结构详解
最新发布
2401_86968005的博客
02-25 934
优点局部连接，减少参数量权值共享，降低计算复杂度能够捕捉局部特征缺点对全局信息的捕捉能力有限卷积层通过卷积操作提取局部特征，是CNN的核心组件。池化层通过下采样降低数据维度，增强模型鲁棒性。全连接层将局部特征映射到输出空间，实现分类或回归任务。CNN通过局部连接和权值共享，显著降低了参数量和计算复杂度，成为图像处理领域的核心模型。
卷积神经网络介绍&CNN架构
h2728677716的博客
04-08 2783
基本介绍： CNN里面最重要的构建单元就是卷积层。卷积层是局部连接，卷积是参数共享（一个卷积核去扫描整个图像） 经过每层卷积层得到的结果我们叫做Feature map（特征图）。 神经元在第一个卷积层不是连接输入图片的每个像素，知识链接他们感受野的像素，以此类推第二个卷积层的每一个神经元仅连接位于第一个卷积层的小方块的神经元。 图像维介绍度： 一个图像有三个维度（h,w,c）== (高，宽 ，通道)，那么，有时候我们也叫c这个维度叫做深度，对于多个图像就再加一个维度图像个数（m,h,w,c） 黑
cnn卷积神经网络结构图画
01-28
### CNN卷积神经网络结构图及其架构可视化 #### 使用Visio绘制CNN结构图 在深度学习领域，卷积神经网络（CNN）是图像处理和计算机视觉任务中的核心技术。理解和设计复杂的CNN结构通常需要大量时间和精力。为此，一个基于Visio绘图软件制作的卷积神经网络结构图模板被推出，这有助于开发者更高效地进行CNN结构设计[^2]。 此模板详细展示了卷积层、池化层以及线性层的图形表示，为开发者提供了一个直观且易于使用的参考工具。通过这种可视化的手段，能够更好地理解各层之间的连接方式及数据流动方向。 #### 卷积神经网络基本组件说明 - **输入层**：接收原始图片作为输入。 - **卷积层(Convolutional Layer)**：应用多个滤波器来提取特征。 - **激活函数(Activation Function)**：引入非线性因素，常用ReLU(Rectified Linear Unit)。 - **池化层(Pooling Layer)**：减少空间尺寸的同时保留重要信息，分为最大池化(Max Pooling)和平均池化(Average Pooling)[^4]。 - **全连接层(Fully Connected Layers)**：用于分类或其他高级推理任务之前最后几层的操作。 ```mermaid graph LR; A[Input Image] --> B{Convolution}; B --> C[Feature Maps]; C --> D{Pooling/Downsampling}; D --> E[Flattened Vector]; E --> F[Fully Connected Layer]; F --> G[Output Classification] ``` 上述Mermaid图表简单描述了从输入图像经过一系列卷积运算得到特征映射，再经由下采样过程直至最终输出分类的过程。实际应用中可能会有更多的卷积与池化组合，并可能加入批标准化(Batch Normalization)，跳跃连接(Skip Connections)等改进措施以提升性能表现。
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