《人工智能实践教程》--卷积神经网络CNN
<p> 卷积神经网络(ConvolutionalNeura! Network,CNN)。CNN 可用于图像识别语音识别等场合。</p><p>1.整体结构</p>
<p> CNN可以通过组装层进行构建，CNN中有卷积层(Convolution层)和池化层(Pooling层)。 CNN常见网络结构</p>
<div style="text-align: center;"></div>
<p>2.卷积层</p>
<p> 在CNN中会出现了一些特有的术语，如填充、步幅等。此外，各层中传逸的据是有形状的数据。</p>
<p> 卷积层可以保持形状不变。当输入数据为图像时，卷积层会以3维数据的形式接收输入数据，并以3维数据的形式输出至下一层。因此，在CNN中，卷积层可以正确“理解图像等具有形状的数据。有时将卷积层的输入/输出数据称为特征图(Feature Map)，其中，卷积层的输入数据称为输入特征图(InputFeature Map)，输出数据称为输出特征图(OutpuFeature Map).</p>
<p> 卷积层进行卷积运算，卷积运算相当于图像处理中的“滤波器运算”。</p>
<p> 在进行卷积层的处理前，有时要向输入数据的四周填入固定的数据(比如0等)，这称为填充(padding)，填充在卷积运算中经常会用到。</p>
<p> 应用滤波器的位置间隔称为步幅(side)。如果增大步幅，那么输出数据的大小会变小;如果增大填充，那么输出数据的大小会变大。</p>
<p> 三维数据的卷积运算--三维数据进行卷积运算，除高、宽方向外，还包括通道方向。</p>
<p> 在神经网络的实现中，进行了将输入数据打包的批处理。</p>
<p>3.池化层</p>
<p> 池化是一种缩小高、宽方向上的空间的运算。池化层的特征：没有要学习的参数；通道数不发生变化；对微小的变化具有鲁棒性。</p>
<p> 通过使用一些技巧，可以轻松地实现卷积层和池化层。本节将介绍这些技巧，首先将问题简化，然后再进行实现。</p>
<p> 池化层的实现与卷积层的实现相同，也使用im2col函数展开输入数据。不同的是在池化时，通道方向上是独立的。池化的应用区域按通道单独展开的。 </p>
<p>4.卷积神经网络可视化</p>
<p> 卷积层权重的可视化--卷积层的滤波器能提取边缘或斑块等原始信息,并且CNN会将这些原始信息传递给后面的层。</p>
<p> 基于分层结构的信息提取--在堆叠多层的 CNN中,从各层分别能提取，会发现从越靠后的层中提取的信息越抽象(神经元反应更强烈)。</p>
<p>5.具有代表性的卷积神经网络。</p>
<p> LeNet 是进行手写数字识别的网络。，LeNet 有如下几个特点：</p>
<p>一是激活函数。LeNet 使用 Sigmoid 函数作为激活函数,而现在的 CNN 主要使用 ReLU函数作为激活函数。<br />
二是原始的 LeNet 使用子采样(Subsampling)缩小中间数据的大小，而在现在的CNN使用 Max 池化缩小中间数据的大小。</p>
<p> AlexNet 是引发深度学习热潮的导火线,它的网络结构与LeNet基本相同，但有如下几个不同点。<br />
激活函数使用 ReLU。<br />
使用进行局部正规化的LRN(LocalResponse Normalization)层。<br />
使用 Dropout 方法，Dropout方法是指在深度学习网络的训练过程中，对于神经网络单元，按照一定的概率将其暂时从网络中丢弃。</p>
<p> </p>
<p> 卷积神经网络CNN是大家比较耳熟能详的，通过阅读学习，对卷积神经网络有了进一步认识与理解掌握，常学常新。</p>
<p> 卷积神经网络CNN确实听所过，看来想弄懂还得像楼主这样，好好读书<img height="48" src="https://bbs.eeworld.com.cn/static/editor/plugins/hkemoji/sticker/facebook/congra.gif" width="48" /></p>
Jacktang 发表于 2024-10-21 07:49
卷积神经网络CNN确实听所过，看来想弄懂还得像楼主这样，好好读书
<p>哈，多学习总是好的</p>
<p>AlexNet 一炮而火，确实经典。</p>
freebsder 发表于 2024-10-28 15:09
AlexNet 一炮而火，确实经典。
<p>是的。学习AI,要善于借助资源工具平台</p>
<p>卷积神经网络（CNN）和循环神经网络（RNN）是深度学习神经网络的主要推动力量，在人工智能的飞速发展中发挥了核心作用。</p>
<p>感谢分享</p>
<p>感谢分享</p>
页:
[1]