文章目录一、下采样1.1 下采样方式1.2 下采样作用二、上采样2.1 上采样方式2.2 上采样作用references 一、下采样卷积神经网络中，卷积是最基本的操作模块，卷积定义如下： 在WHC的图像操作中，卷积就是输入图像区域和滤波器进行内积求和的过程。具体的操作如下： 卷积就是一种下采样的方式。1.1 下采样方式1、采用stride为2的池化层，如Max-pooling和Average-p
转载
2023-12-15 09:10:33
511阅读
文章目录一、卷积神经网络（Convolutional Neural Network）1.1 卷积（Convolution）1.2 最大值池化（Max Pooling）1.3 平整化 (flatten)二、用Keras实现CNN2.1 CNN学到了什么？2.2 Deep Dream2.3 Deep Style三、CNN的其他应用3.1 Alpha Go3.2 语音（Speech）3.3 文本 （T
转载
2024-01-21 10:47:41
108阅读
《Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift》2015，Google，Inception V2Inception V2学习了VGGNet，用两个33的卷积代替55的大卷积（用以降低参数并减轻过拟合），还提出了著名的Batch Normalization（简称
转载
2023-12-12 22:44:23
142阅读
一. 卷积神经网络定义与比较1. 全连接神经网络的缺点参数太多，在cifar-10的数据集中，只有32*32*3，就会有这么多权重，如果说更大的图片，比如200*200*3就需要120000多个，这完全是浪费没有利用像素之间位置信息，对于图像识别任务来说，每个像素与周围的像素都是联系比较紧密的。层数限制2. &nbs
转载
2023-10-12 14:39:28
203阅读
1、概念神经网络(neural networks)的基本组成包括输入层、隐藏层、输出层。而卷积神经网络的特点在于隐藏层分为卷积层和池化层 (pooling layer，又叫下采样层)。卷积层：通过在原始图像上平移来提取特征，每一个特征就是一个特征映射池化层：通过特征后稀疏参数来减少学习的参数，降低网络的复杂度，（最大池化和平均池化）2、函数介绍tf.nn.conv2d(input, filter,
转载
2023-12-15 11:52:05
240阅读
卷积神经网络是从利用开始，一步一步走到懂过程，再到理解。对卷积神经网络的理解，先从其结构开始。卷积神经网络包括了输入层，卷积层，池化层（下采样） ,全连接层和输出层。卷积层，这是卷积神经网络中较为核心的网络层，主要进行卷积操作，基于图像的控件句不相关性分别抽取图像局部特称，通过这些局部特征进行连接，可以形成整体特征。一个卷积核就相当于一个滤波器，找出我们所感兴趣的信息。池化层（下采样）是对卷积层结
转载
2023-08-08 14:52:26
202阅读
前言一般来说，卷积神经网络会有三种类型的隐藏层——卷积层、池化层、全连接层。卷积层和池化层比较好理解，主要很多教程也会解释。卷积层(Convolutional layer)主要是用一个采样器从输入数据中采集关键数据内容；池化层(Pooling layer)则是对卷积层结果的压缩得到更加重要的特征，同时还能有效控制过拟合。但是可怜的全连接层(Fully Connected layer)很多时候都被忽
转载
2024-01-28 00:36:16
92阅读
介绍U-Net于2015年提出，广泛用于图像分割问题。其初是专门为医学图像分割而设计的。该方法取得了良好的效果，并在以后的许多领域得到了应用。相对于很多其他语义分割网络，其规模较小，所以也可以用于一些实时的任务。结构 这个结构概括来说前期不断的卷积池化来进行下采样，然后再不断卷积上采样，形成一个U形。而下采样的结果还会合成至对应的上采样结果，实现抽象与细节的结合。 下采样即不断抽象的过程，当抽象程
转载
2024-01-29 05:25:40
39阅读
卷积神经网络——卷积操作在上一篇《卷积神经网络简介》里我们介绍了卷积神经网络包含四个主要的操作，其中最重要的就是本文要讲述的“卷积”操作。对于CNN，卷积操作的主要目的是从输入图像中提取特征。卷积通过使用输入数据的小方块学习图像特征来保留像素之间的空间关系。 图 1
卷积操作就是卷积核（过滤器 / Filter）在原始图片中进行滑动得到特征图（Feature Map）的
转载
2023-08-16 16:42:47
355阅读
卷积层（convolutional layer）1.卷积核（convolutional kernel）卷积层的功能是对输入数据进行特征提取，其内部包含多个卷积核，组成卷积核的每个元素都对应一个权重系数和一个偏差量（bias vector），类似于一个前馈神经网络的神经元（neuron）。卷积层内每个神经元都与前一层中位置接近的区域的多个神经元相连，区域的大小取决于卷积核的大小，在文献中被称为“感受
转载
2023-08-21 11:15:28
232阅读
降采样深度卷积神经网络中降采样的方法：stride大于1的poolingstride大于1的convstride大于1的reorg（reorganization改组整顿），由Joseph Redmond在YOLOv2中首次提出。conv用stride=2的conv降采样的卷积神经网络效果与使用pooling降采样的卷积神经网络效果相当；卷积神经网络小的时候，使用pooling降采样效果可能更好，卷
转载
2024-01-02 10:30:23
148阅读
1.标准卷积神经网络标准的卷积神经网络由输入层、卷积层（convolutional layer）、下采样层（downsampling layer）、全连接层（fully—connected layer）和输出层构成。卷积层也称为检测层下采样层也称为池化层（pooling layer）2.卷积神经网络的优势：第一个特点和优势就是：局部感知在传统神经网络中每个神经元都要与图片上每个像素相连接，这样的话
转载
2023-10-12 15:16:18
547阅读
这两天在折腾Caffe的时候遇到过各种奇怪的问题，拿几个感觉比较重要的来说一下。之后想到什么再追加。GPU运算无法正常使用环境预载期错误(3 vs. 0)Check failed: status == CUDNN_STATUS_SUCCESS (3 vs. 0) CUDNN_STATUS_BAD_PARAM似乎是因为有其他设备在使用GPU导致的，我的情况是等待一段时间就好了。网络加载期错误(2
转载
2023-11-19 07:25:04
78阅读
卷积神经网络简介卷积网络 (convolutional network)(LeCun, 1989)，也叫做卷积神经网络 (convolutional neural network, CNN)，是一种专门用来处理具有类似网格结构的数据的神经网络。卷积神经网络主要包括：输入层(Input layer)、卷积层(convolution layer)、激活层（activation layer)、
转载
2023-09-21 06:09:33
279阅读
一、卷积网络基本介绍1.1 CNN的组成部分卷积神经网络CNN(Convolutional Neural Network)，是一类深度神经网络，最常用于分析视觉图像。一个卷积神经网络通常包括输入输出层和多个隐藏层，隐藏层通常包括卷积层和RELU层（即激活函数）、池化层、全连接层和归一化层等。 1.输入层 CNN的输入一般是二维向量，可以有高度，比如，RGB图像。 2.卷积层 卷积层是CNN的核心，
转载
2023-10-23 09:54:33
212阅读
卷积神经网络由哪几部分组成？卷积神经网络在视觉上具有较大的应用，卷积神经网络分为卷积层、池化层和全连接层。什么是卷积核，卷积核的作用是什么？其中卷积核是一种数字矩阵，不同的卷积核用来提取特征，不同的卷积核可以提取不同的特征，位于不同深度的卷积核提取的也不同。正是因为卷积核再图像内滑动提取特征的性质，一整张图像使用一个卷积核，使得卷积神经网络具有参数共享的特性，也就减少了计算量。什么是卷积层？不同卷
转载
2023-10-09 09:11:42
78阅读
在生物意义上的神经元中，只有前面的树突传递的信号的加权和值大于某一个特定的阈值的时候，后面的神经元才会被激活。简单的说激活函数的意义在于判定每个神经元的输出 。放在人脸识别卷积神经网络中来思考，卷积层的激活函数的意义在于这一块区域的特征强度如果没有达到一定的标准，就输出0，表明这种特征提取方式(卷积核w)不能在该块区域提取到特征，或者说这块区域的这种特征很弱。由于输出0时，激活函数梯度几乎都为0，
转载
2023-09-21 14:31:19
116阅读
1. 什么是卷积神经网络卷积神经网络常用于图像的识别和分类 2. 卷积神经网络的主要层次有哪些？输入层，卷积层，激活层，池化层，全连接层，批量正则化层 3. 常见的数据预处理的三种方式？去均值：各个维度数据中心化到0归一化：各个维度的数据归一到同一个范围pca/白化：pca去掉性强的特征；白化在pca的基础上进行归一化。 4. 什么是卷积层？一组固定的权重和滑动窗口中
转载
2023-10-20 19:35:18
221阅读
一、基本卷积神经网络1.AlexNet 网络结构如图所示。该网络在ImageNet上表现出色，AlexNet包含5个卷积层，有些层后面跟了max-pooling层，3个全连接层，为了减少过拟合，在全连接层使用了dropout。AlexNet使用了很多经典的神经网络方法，这些方法对以后的深度学习影响巨大。1.1Relu函数当时主流的的神经元激活函数是tanh()函数，该函数在输入值大的饱和
转载
2024-02-13 21:38:59
92阅读
神经卷积网络CNN的组成一般包括：数据输入层（Input layer），卷积计算层（Convolutional layer）、激励层（如 ReLu layer）、池化层（Pooling layer）、全连接层（Full-connected layer）。1、数据输入层为使下一步的车牌识别作好准备，本文对原始图形作了预处理。在图像预处理中，对现有的图像进行改进，或对一些重要的图像进行增强，从而获得较
转载
2023-11-02 08:13:03
70阅读
