【深度学习】卷积神经网络

本文介绍了卷积神经网络(CNN)的应用,如检测、分类、超分辨率和医学任务等。阐述了CNN与传统神经网络的区别,重点讨论了CNN的架构,包括输入层、卷积层、池化层和全连接层。详细解析了卷积参数,如步长、卷积核大小和填充。还提到了池化层的作用和网络层数的计算方法。最后,回顾了VGG和ResNet等经典网络结构及其特点。

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

1 卷积神经网络(CNN)可以做什么?

  1. 检测任务
  2. 分类与检索
  3. 超分辨率重构:将图像训练的更清晰
  4. 医学任务等
  5. 无人驾驶
  6. 人脸识别

2 用GPU:图像处理单元
比CPU块一百倍以上

3 卷积神经网络与传统神经网络的区别
传统神经网络:将数据拉成向量
卷积神经网络:三维数据
在这里插入图片描述

4 整体架构

  • 输入层
  • 卷积层:提取特征
  • 池化层:压缩特征
  • 全链接层
    在这里插入图片描述

5 卷积进行特征提取:
绿色的:特征图

6 步长与卷积核大小对结果的影响

卷积网络中可以无限堆叠,但是并不是堆叠次数越高效果越好

7 卷积层涉及参数

  1. 滑动窗口步长:移动窗口移动的步长决定特征图的大小(丰富度)一般为1
  2. 卷积核尺寸:一般用正方形卷积3✖️3(图像)
  3. 边缘填充:边缘的数据不一定不重要,所以用0填充图像的边缘保证图
评论 3
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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