卷积操作和池化操作(滑动窗口实现)

从零构建卷积神经网络(CNN)——NumPy 实战图像分类 本文详细介绍了如何从零开始使用NumPy构建卷积神经网络(CNN),实现图像分类任务。通过手搓CNN的核心组件如卷积层、池化层和全连接层,深入解析底层原理与实现细节,帮助开发者理解深度学习框架背后的数学本质。在MNIST数据集上,该纯手工实现的CNN模型准确率可达95%,适合希望深入掌握CNN工作原理的开发者学习。 阅读详情

1.卷积操作

输入的m、n代表图片长宽,a、b代表卷积核大小(n >=a, m >=b),这里没有用权重,在每个滑动窗口内求最大值。

import java.util.Scanner;
public class Main {
    public int[][] convolve(int[][] nums, int n, int m, int a, int b){
        int[][] maxVal = new int[n-a+1][m-b+1];
        // row 和 col总共有多少个
        for(int row = 0; row < (n - a + 1); row++){
            for(int col = 0; col < (m - b + 1); col++){
                int maxData = 0;
                // 内部的数组是怎么样的
                for(int r = row; r < row + a; r++){
                    for(int c = col; c < col + b; c++){
                        if (nums[r][c] > maxData) maxData = nums[r][c];
                    }
                }
                maxVal[row][col] = maxData;
            }
        }
        return maxVal;
    }
    public static void main(String[] args) {
        Scanner in = new Scanner(System.in);
        int n = in.nextInt();
        int m = in.nextInt();
        int a = in.nextInt();
        int b = in.nextInt();

        int[][] nums = new int[n][m];
        for(int i = 0; i < n; i++){
            for(int j = 0; j < m; j++){
                nums[i][j] = in.nextInt();
            }
        }
        Main ma = new Main();
        int[][] maxVal = ma.convolve(nums, n, m, a, b);
        for(int i = 0; i < maxVal.length; i++){
            for(int j = 0; j < maxVal[0].length; j++){
                System.out.print(maxVal[i][j] + " ");
            }
        }
    }
}

在这里插入图片描述

2.池化操作

在这里插入图片描述

import java.util.Scanner;
public class Main {
    public int[][] max_pool(int[][] nums, int n, int m, int a, int b){
        // 向上取整,数组最后不满足窗口大小的部分也要池化
        int i = (int)(n-1)/a + 1, j = (int)(m-1)/b + 1;
        int[][] maxVal = new int[i][j];
        // 池化和卷积不一样,它是一个窗口一个取最大值
        // 然后到一个新的窗口
        for(int row = 0, row_ = 0; row < n; row += a){
            for(int col = 0, col_ = 0; col < m; col += b){
                int maxData = 0;
                int row_min = Math.min(row+a, n);
                for(int r = row; r < row_min; r++){
                    int col_min = Math.min(col+b, m);
                    for(int c = col; c < col_min; c++){
                        if (nums[r][c] > maxData) maxData = nums[r][c];
                    }
                }
                maxVal[row_][col_] = maxData;
                col_++;
            }
            row_++;
        }
        return maxVal;
    }
    public static void main(String[] args) {
        Scanner in = new Scanner(System.in);
        int n = in.nextInt();
        int m = in.nextInt();
        int a = in.nextInt();
        int b = in.nextInt();

        int[][] nums = new int[n][m];
        for(int i = 0; i < n; i++){
            for(int j = 0; j < m; j++){
                nums[i][j] = in.nextInt();
            }
        }
        Main ma = new Main();
        int[][] maxVal = ma.max_pool(nums, n, m, a, b);
        for(int i = 0; i < maxVal.length; i++){
            for(int j = 0; j < maxVal[0].length; j++){
                System.out.print(maxVal[i][j] + " ");
            }
        }
    }
}

在这里插入图片描述

卷积与反卷积、池化与反池化 一、卷积 1、卷积的简单定义 卷积神经网络中的卷积操作可以看做是输入和卷积核的内积运算。其运算过程非常容易理解,下面有举例。 2、举例解释 (1)为了方便直接解释,我们首先以一个通道(若是彩图,则有RGB的颜色,所以是三个通道)为例进行讲解,首先明确概念: 1) 输入是一个5*5的图片,其像素值如下: ... 阅读详情

相关推荐

卷积滑动窗口检测算法原理

在目标检测中,基于滑动窗口的检测是一种常见的办法。 如下是该算法的主要思路: 首先该算法的实现需要预先训练卷积网络,将数据集(经过裁剪,使检测的物体尽量处于图像中心并占据图片较大位置)进行训练,然后通过固定大小的窗口以及固定步长扫描需要检测的图片,将图片中处于窗口中的图像送入训练好的卷积网络进行检测,判断有无物体输出,最终通过变换扫描窗口的大小,可以检测出有无物体以及物体的大致定位(该算法的定位不...

weixin_42285271的博客 9123

深度学习笔记(35) 滑动窗口的卷积实现

滑动窗口的卷积实现和减少计算成本

氢键H-H 1万+

卷积神经网络,卷积和池化

卷积神经网络是一种多层神经网络,擅长处理图像特别是大图像的相关机器学习问题。 卷积网络通过一系列方法,成功将数据量庞大的图像识别问题不断降维,最终使其能够被训练。CNN最早由Yann LeCun提出并应用在手写字体识别上(MINST)。LeCun提出的网络称为LeNet,其网络结构如下: 这是一个最典型的卷积网络,由卷积层、池化层、全连接层组成。其中卷积层与池化层配合,组成多个卷积组,逐层...

Meiko记录 4579

深度学习:卷积实现滑动窗口(Convolutional implementation of sliding windows)

一、FC网络 在有全连接层的网络中,第一个FC是将上一层5516的多维数据拉成一行,转化为11400,在通过一个变换矩阵,变成第二个FC,然后经过softmax输出预测结果。 二、全卷积网络 在全卷积网络中,我们通过卷积替换掉全连接,具体做法是: 1.在第一个FC处,使用400个5516的卷积核对上一层layer进行处理,得到的输出是11400。这样,输出中每一个值都包含了一个5516的卷积核。 ...

默语之声的博客 4159

【2025年菜鸟秋招(算法岗)-8月22日-第二题(200分)- 最大池化操作】(题目+思路+Java&C++&Python解析+在线测试)

这篇文章摘要总结了如何实现卷积神经网络中的最大池化操作。摘要指出最大池化是一种子采样方法,通过在特征图上滑动固定大小的窗口并选取每个窗口的最大值来减少计算量并提取关键特征。文章提供了输入输出的格式说明和两个具体样例,并详细解析了实现思路:包括输入解析、参数确定、输出尺寸计算和滑动窗口最大值提取。最后给出了C++、Python和Java三种语言的代码实现方案,展示了如何实际完成这一功能。

m0_73659489的博客 64

全连接解析

全连接层(fully connected layers,FC)在整个卷积神经网络中起到“分类器”的作用。如果说卷积层、池化层和激活函数层等操作是将原始数据映射到隐层特征空间的话,全连接层则起到将学到的“分布式特征表示”映射到样本标记空间的作用。在实际使用中,全连接层可由卷积操作实现:对前层是全连接的全连接层可以转化为卷积核为1x1的卷积;而前层是卷积层的全连接层可以转化为卷积核为hxw的全局卷积,

jacke121的专栏 6969

滑动窗口的卷积实现(Convolutional implementation of sliding windows)

来源:Coursera吴恩达深度学习课程 为了构建滑动窗口的卷积应用,首先要知道如何把神经网络的全连接层转化成卷积层。 如上图第一行,假设目标检测算法输入一个14×14×3的图像,过滤器大小为5×5,数量是16,过滤器处理之后为10×10×16。然后通过参数为2×2的最大池化操作,图像减小到5×5×16。然后添加一个连接400个单元的全连接层,接着再添加一个全连接层,最后通过softmax单元输出y。这里先做一点改动,用4个数字来表示y,它们分别对应softmax单元所输出的4个分类出现的概率。这4

csdn_xmj的博客 5016

WPS JS宏智能识别代码段并设置样式(完整可用版)

之前,我们已经经历了多次迭代,解决了许多问题,比如识别代码块、处理多行导入、调整样式等。现在他们需要一份全面的文档来解释整个代码的结构和工作原理。(5)智能行分析(含URL和注解检测优化)function analyzeLineEnhanced(rawText,trimmedText,codeSymbols,codePatterns, singleLinePatterns)该解决方案在保持高性能的同时,提供了良好的可扩展性,能够适应不同组织的代码规范需求,是WPS生态中专业文档处理的创新实践。

搏博的专栏 1828

3.4--3.5 卷积的滑动窗口实现 Bounding Box 吴恩达 第四门课 卷积神经网络-第三周 目标检测

3.4 卷积的滑动窗口实现(Convolutional implementation of sliding windows) 我们学习了如何通过卷积网络实现滑动窗口对象检测算法,但效率很低。这节课我们讲讲如何在卷积层上应用这个算法。为了构建滑动窗口的卷积应用,首先要知道如何把神经网络的全连接层转化成卷积层。我们先讲解这部分内容,下一张幻灯片,我们将按照这个思路来演示卷积的应用过程。 假设对...

dujuancao11的博客 1128

shader多图叠加变换

shader Shader "Paint3D/AddTexture" { Properties { _MainTex ("Main Texture", 2D) = "white" {} _MainColor("Main Color", Color)=(1,1,1,1) _AddTex0 ("Texture0", 2D) = "white" {} _AddTex1 ("Texture1", 2D) = "white" {} .

李长江的博客 909

使用 C# 实现大华监控摄像头的控制与数据处理

本文介绍了使用C#调用大华SDK(DHNetSDK.dll)开发监控系统的方法。主要内容包括:开发准备、DLL引用设置、SDK初始化与设备登录、视频预览窗口嵌入、云台控制、抓图录像等核心功能实现。通过P/Invoke技术封装SDK接口,开发者可以快速构建具有视频监控、设备控制功能的C#应用程序。文中还提供了代码示例、常见问题解决方案,以及视频帧智能分析的扩展建议,为开发大华监控系统的二次应用提供了完整的技术指南。

这里只有干货:从 Modbus 通信到 MES 对接,从 YOLO 训练到工控机部署,带你搞定工业软件开发全流程。 1286

FPGA图像算法实现——卷积、窗口运算之滑动窗口模块设计

在图像处理中,卷积、窗口运算是非常基础且常用的操作。这些基于图像滑动窗口的运算非常适合在FPGA中进行流水线实时高效处理,也是FPGA图像算法实现的一个热点。其中,最基础的工作就是在FPGA中设计一个滑动窗口模块。 设计一个完备的滑动窗口模块首先要解决以下3个问题:图像行缓存机制;行、场等同步信号的延迟;图像边界的扩展。

MmikerR的专栏 8786

一篇文章带你认识 SpringBoot

文章目录一、原有 Spring 优缺点分析二、SpringBoot 的概述 一、原有 Spring 优缺点分析 (1)Spring 的优点分析 Spring是Java企业版(Java Enterprise Edition,JEE,也称J2EE)的轻量级代替品。无需开发重量级的Enterprise JavaBean(EJB),Spring为企业级Java开发提供了一种相对简单的方法,通过依赖注入和面向切面编程,用简单的 Java 对象(Plain Old Java Object,POJO)实现了EJB的功能。

南淮北安的博客 767

CNN入门:卷积层、池化层原理与实现(附代码)

本文介绍了卷积神经网络(CNN)中卷积层和池化层的核心原理与实现方法。卷积层通过滑动卷积核提取输入数据的特征,可调节步长和填充控制输出尺寸;池化层则通过最大池化或平均池化进行下采样,保留关键特征信息。文章提供了Python代码示例,展示了如何使用NumPy实现卷积和池化操作。这些基础组件是构建CNN的关键步骤,为后续学习更复杂的神经网络结构奠定了基础。

fykam的博客 493

013:无人机航线规划的概念

航线规划是无人机任务规划的核心环节,它决定了无人机在整个任务执行过程中的飞行路径。航线规划需要考虑多种因素,包括飞行时间、飞行距离、能源消耗、飞行安全等。

qq_31762031的博客 2445

ARFoundation系列讲解 - 24 锚点

一、添加平面检测和平面可视化 请参考 ARFounnation快速入门-08平面检测 案例 二、添加射线检测 1.在AR Session Origin 组件上添加ARRaycastManager 脚本

a451319296的博客 4881

CNN计算池化组件

本文介绍了池化操作的基本概念和实现方法。池化是卷积神经网络中的重要操作,通过在输入矩阵上滑动窗口并提取最大值(max pooling)或平均值(average pooling)来降低特征图维度。文章提供了一个基于NumPy的手动池化实现代码,支持2×2池化核和步长2的设置。示例中分别对4×4输入矩阵进行了最大池化和平均池化操作,并展示了运算结果。该实现通过双重循环完成窗口滑动,并使用np.max和np.mean实现两种池化计算方式。池化操作能有效减少计算量并保留主要特征,是深度学习中的基础操作之一。

专注python+工程实践的热心婶子 742

YOLOv11改进 - 卷积Conv | PATConv(Partial Attention Convolution)部分注意力卷积,在减少计算量的同时融合卷积与注意力的优势 | AAAI 2026

本文提出部分注意力卷积(PATConv)机制,并将其集成到YOLOv11中。传统神经网络中,卷积计算密集,注意力机制全局计算冗余,此前的“部分卷积”会丢失未计算通道的特征价值。PATConv通过“通道拆分 - 并行处理 - 结果拼接”的逻辑,给不同通道分配“擅长的任务”,兼顾局部与全局特征。基于此,它还衍生出PAT_ch、PAT_sp和PAT_sf三种细分模块。此外,还提出了动态部分卷积(DPConv),并构建了新的混合网络家族PartialNet。我们将PATConv代码集成到YOLOv11中,实验表明,

魔改工程师的博客 1085

计算机视觉入门 4)滑动窗口

介绍池化、步幅和填充的概念以及代码示例。

WHYbeHERE的博客 1193

老电脑续命神器:Windows 11 26H1 精简游戏版,帧率稳定无压力!(Win11 26H1 极致精简游戏版(3.17G):装完只占 8G 内存,Ultra CPU 性能拉满)

旧电脑福音也能安装windows11畅玩游戏🎮:文章分享一款 Windows 11 26H1 精简游戏版,仅 3.17G、C 盘占用 8G,开机进程约 50 个,内存占用 1.4G,内置游戏优化与运行库,支持离线安装、跳过 TPM 检测,让老电脑也能畅玩 3A 游戏和办公娱乐 🚀。

XiaoqiangClub的博客 1073

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android:LinePhone3.2.7(最新版本),官网地址:http://www.linphone.org/

手写卷积与池化:从for循环到向量化,深入理解PyTorch底层算子

卷积神经网络(CNN)是计算机视觉和深度学习领域的基石技术,其核心在于卷积和池化等基础算子的高效计算。理解这些算子的底层原理,对于模型优化、调试和定制化开发至关重要。本文从最基础的for循环实现切入,通过手动编写卷积和池化操作,详细拆解了输入张量、卷积核、步长、填充等核心概念在内存中的交互过程。随后,引入向量化编程思想,利用PyTorch的unfold和矩阵乘法操作,展示了如何将低效的循环转化为高效的张量运算,实现了性能的飞跃。通过对比验证,确保手写实现与PyTorch官方结果一致,并总结了常见问题排查技巧

weixin_34198881的博客 456

蓝牙模块HM-10手册

蓝牙模块HM-10手册,该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。

OpenTPU未来展望:卷积、池化和可编程归一化的实现路线图

OpenTPU作为Google TPU的开源重新实现项目,为深度学习硬件加速器的发展提供了宝贵的研究平台。该项目由加州大学圣巴巴拉分校ArchLab开发,基于Google TPU论文的技术细节,专注于神经网络推理阶段的硬件加速。本文将深入探讨OpenTPU未来发展的三大关键方向:卷积运算、池化操作和可编程归一化的实现路线图,为硬件加速器开发者提供清晰的演进路径。 ## OpenTPU当前能力与架

gitblog_00441的博客 699

迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)

迈瑞BS系列全自动生化分析仪LIS协议接口手册,内含HL7和ASTM)

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术,以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索,主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式,计算机控制系统的数学描述与基本分析方法,以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

一文彻底搞懂CNN - 卷积和池化(Convolution And Pooling)

卷积():卷积是一种数学运算,在CNN中,它通过滑动窗口(也称为卷积核或滤波器)在输入图像或特征图上滑动,并计算窗口内元素与对应卷积核元素的加权和(包括偏置项),从而生成输出特征图。卷积是一种特殊的线性运算,用于提取图像中的局部特征。CNN通过使用一个或多个卷积核(也称为滤波器或特征检测器)在输入数据(如图像)上进行滑动窗口操作来提取特征。一个可学习的权重矩阵,其大小通常远小于输入图像的大小,用于在输入图像上滑动并进行元素级的乘法累加操作。

2401_85377976的博客 3万+

[CNN] 卷积、反卷积、池化、反池化

之前一直太忙,没时间整理,这两天抽出点时间整理一下卷积、反卷积、池化、反池化的内容。 一、卷积 1、卷积的简单定义 卷积神经网络中的卷积操作可以看做是输入和卷积核的内积运算。其运算过程非常容易理解,下面会有详细解释。 2、举例解释 (1)为了方便直接解释,我们首先以一个通道为例进行讲解,首先明确概念: 1) 输入是一个5*5的图片,其像素值如下: [11100011100011100110011...

小太阳~ 3万+

深度学习-卷积神经网络CNN-CNN、卷积层(卷积核、卷积计算)、池化层(最大池化、平均池化)

卷积神经网络(CNN)是一种专用于处理网格结构数据的深度学习模型,其核心思想是通过局部感知、权值共享和池化操作来高效提取特征。卷积层使用可学习的卷积核滑动计算局部特征,通过填充和步长控制输出尺寸;多通道卷积则能捕捉更丰富的特征表达。池化层(如最大池化)通过下采样降低数据维度,增强模型鲁棒性。PyTorch提供了便捷的API实现这些操作,使CNN在图像分类等计算机视觉任务中表现出色。

2202_75674969的博客 3540

一文搞懂卷积和池化(PyTorch)

卷积的重要参数主要包括卷积核大小(Kernel Size)、步长(Stride)以及填充(Padding),它们共同决定了卷积层的输出特征图的尺寸和特性。池化窗口大小(Kernel Size):定义了池化操作的窗口大小,通常是一个正方形(如2x2、3x3等)。计算加权和:对于每个滑动位置,将窗口内元素与卷积核对应位置的元素相乘后求和,并加上偏置项(如果有的话),得到输出特征图上对应位置的元素值。滑动窗口:将卷积核在输入图像或特征图上按指定步长(stride)滑动,每次滑动都计算窗口内元素与卷积核的加权和。

2503_90237586的博客 1273
上一篇: PU-GAN a Point Cloud Upsampling Adversarial Network
下一篇: Leetcode 279 完全平方数
念殊15
博客等级 码龄8年 17粉丝 177原创
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
 
 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