文章目录背景及应用基础及计算卷积池化感受野卷积神经网络的定义bvbCNN在pytorch中的实现**卷积**：**池化**:标准化数据预处理Batch Normalization有名的卷积网络结构AlexNetpytorch实现**VGG**pytorch实现GoogLeNetpytorch实现ResNetpytorch实现DenseNetpytorch实现卷积神经网络训练技巧数据增强学习率衰减
转载
2023-11-20 09:03:01
175阅读
对于网址，我大部分学习的资源和数学公式都是来源于此，强烈推荐学习。对于网址2，我下面的代码就是在其基础上改写的，作者是用matlab实现的，这对于不会matlab的同学而言，会比较费时，毕竟，我们要做的是搞懂卷积神经网络，而不是某一个编程语言。而且最重要的是，我自己想弄明白CNN的前向网络和误差反向传播算法，自己亲自实现一遍，更有助于理解和记忆，哪怕是看着别人的代码学会的。A:下面代码实现是Le
转载
2023-10-13 21:08:00
54阅读
卷积运算 密集连接层和卷积层的根本区别：Dense 层从输入特征空间中学到的是全局模式（比如对于 MNIST 数字，全局模式就是涉及所有像素的模式）卷积层学到的是局部模式，对于图像来说，学到的就是在输入图像的二维小窗口中发现的模式。在上面的例子中，这些窗口的大小都是 3×3。 卷积神经网络学到的模式具有平移不变性 卷积神经网络可以学到模式的空间层次结构：第一个卷积层将学习较小的局部模式（比如边缘）
转载
2023-11-19 12:17:29
81阅读
# 卷积神经网络分类MNIST
之前两期简单介绍了神经网络的基础知识(由于我懒，一张插图都没有上)。
这一期我们来介绍一个简单的实现。基于Pytorch，训练一个简单的卷积神经网络用于分类MNIST数据集。同样ipynb文件到我的群里下载。后边写得比较多了以后考虑整理一下放到Github上。
数据集的导入之前已经介绍过，所以就不重复了。
## 神经网络的搭建
Pytorch中的神经网络搭建都要构造
转载
2023-07-21 17:50:14
101阅读
1.应用场景卷积神经网络的应用不可谓不广泛，主要有两大类，数据预测和图片处理。数据预测自然不需要多说，图片处理主要包含有图像分类，检测，识别，以及分割方面的应用。图像分类：场景分类，目标分类图像检测：显著性检测，物体检测，语义检测等等图像识别：人脸识别，字符识别，车牌识别，行为识别，步态识别等等图像分割：前景分割，语义分割2.卷积神经网络结构卷积神经网络主要是由输入层、卷积层、激活函数、池化层、全
转载
2023-09-15 22:01:50
113阅读
项目简介：目标：识别全班61个人的人脸。实现途径：卷积神经网络用全班采集的照片训练直接训练自己的模型（图片格式132*197，每人10张，8张加入训练集，1张validation，1张test）调用keras.application中的base_model（xception、inception、resnet50、VGG16、VGG19）做特征提取，更换我们自己的全链接层。把basemodel的顶层
转载
2023-12-26 23:51:30
54阅读
卷积过程是卷积神经网络最主要的特征。然而卷积过程有比较多的细节，初学者常会有比较多的问题，这篇文章对卷积过程进行比较详细的解释。1、卷积运算首先我们需要知道什么是卷积计算，它其实是一种简单数学运算，有两个步骤：一个是矩阵内积乘法，另一个是将内积乘法的结果进行全加。（1）矩阵内积乘法矩阵的内积乘法非常简单，就是把两个相乘的矩阵，相同位置的元素进行乘法运算，这个时候会得到一个新的矩阵（在这
转载
2023-10-13 00:04:45
193阅读
卷积神经网络（CNN，有时被称为 ConvNet）是很吸引人的。在短时间内，它们变成了一种颠覆性的技术，打破了从文本、视频到语音等多个领域所有最先进的算法，远远超出了其最初在图像处理的应用范围。CNN 由许多神经网络层组成。卷积和池化这两种不同类型的层通常是交替的。网络中每个滤波器的深度从左到右增加。最后通常由一个或多个全连接的层组成：
图 1 卷积神经网络的一个例子Convnets
转载
2022-05-01 08:00:00
352阅读
实验内容和要求编写程序，实现 LeNet-5 卷积神经网络，对 MNIST 手写数字数据库进行训练与识别，展示准确率等。自己选择神经网络，对 CIFAR-10 数据库进行图像物体训练与识别。实验器材Python 3.7开发平台：Windows10 Visual Studio Code机器学习库：torch 1.6.0 torchvision 0.7.0辅助：CUDA 10.2，用于进行
转载
2023-09-30 20:44:43
114阅读
Python数学建模常用算法代码（四）卷积神经网络模型Python代码#初始化权重函数
def weight_variable(shape):
initial = tf.truncated_normal(shape,stddev=0.1);#生成维度是shape标准差是0.1的正态分布数
return tf.Variable(initial)
#初始化偏置项
def bias_
转载
2023-09-18 19:54:04
136阅读
CNN基本模块（）CNN由输入和输出层以及多个隐藏层组成，隐藏层可分为卷积层，池化层、激活层和全连通层。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，层的参数由一组可学习的滤波器（filter）或内核（kernels）组成，它们具有小的感受野，延伸到输入容积的整个深度。 在前馈期间，每个滤波器对输入进行卷积，计算滤波器和输入之间的点积，并产生该滤
转载
2023-11-08 20:48:06
9阅读
CNN（卷积神经网络），是一类包含卷积计算且具有深度结构的前馈神经网络是深度学习的代表算法之一，常常被应用于图像分类与识别、自然语言处理、图像着色、视频内容分类和视频标注等等，以下将介绍卷积神经网络的主要结构。1.1卷积层 卷积层主要是由一些卷积单元一起组成，并且为了优化该神经
转载
2023-10-09 13:50:49
51阅读
全卷积神经网络(FCN)的keras实现前言前一阵子写了一篇图像分割的综述，学习了包括图像预处理 、阈值图像分割、神经网络图像语义分割等一些知识，通过matlab和python进行了实现，不过一直没有时间进行分享，现在手头忙的事情基本完成，所以进行下总结与分享。FCN可以算是语义分割方向的开山之作了,也是我入坑语义 学习的第一个网络了,最开始用tenserflow写起来费劲的要死,后来改用kera
转载
2024-01-15 20:40:58
93阅读
卷积神经网络构建的python基础-详细理解（Pytorch）一、python中的类（构建网络所用到的）1、python构建一个简单的类2、python中的self3、python中的__init__方法4、python中的继承(1)继承父类中_init_()方法5、pytorch网络中forward()函数二、补充1、_iter_()和_next_()方法2、_getitem _ ()方法3、
转载
2024-02-09 15:33:20
67阅读
我们知道，batchsize是指进行一次参数学习所使用的样本数量，而iter是指所有的训练样本进入到模型中一次。那么为什么要使用batchsize呢？假如我们有几万个或几十万个数据，如果我们一下子全部读入内存的话，可能会导致溢出，毕竟计算机的内存也是有限的。但是如果一个一个样本训练的话，又会使训练时间变得很长因此合理的设置批训练样本数，是个折中的选择，那么batchsize的大小对我们的训练又有什
转载
2023-07-14 19:07:35
184阅读
代码来源：https://github.com/eriklindernoren/ML-From-Scratch 卷积神经网络中卷积层Conv2D（带stride、padding）的具体实现：https://www.cnblogs.com/xiximayou/p/12706576.html 激活函数的
转载
2020-04-17 16:06:00
541阅读
2评论
代码来源：https://github.com/eriklindernoren/ML-From-Scratch 卷积神经网络中卷积层Conv2D（带stride、padding）的具体实现：https://www.cnblogs.com/xiximayou/p/12706576.html 激活函数的
转载
2020-04-17 15:58:00
512阅读
2评论
Keras深度学习实战（7）——卷积神经网络详解与实现0. 前言1. 传统神经网络的缺陷1.1 构建传统神经网络1.2 传统神经网络的缺陷2. 使用 Python 从零开始构建CNN2.1 卷积神经网络的基本概念2.2 卷积和池化相比全连接网络的优势3. 使用 Keras 构建卷积神经网络3.1 CNN 使用示例3.2 验证 CNN 输出4. 构建 CNN 模型识别 MNIST 手写数字4.1
转载
2024-01-12 14:43:22
277阅读
转载
2020-04-17 16:09:00
296阅读
2评论
1.卷积层与全连接层的区别：密集连接层和卷积层的根本区别在于，Dense 层从输入特征空间中学到的是全局模式。（比如对于 MNIST 数字，全局模式就是涉及所有像素的模式），而卷积层学到的是局部模式（见 图 5-1），对于图像来说，学到的就是在输入图像的二维小窗口中发现的模式。2.卷积层的有趣性质：3.卷积的两个参数：4.卷积的计算过程：5.最大池化通常使用2×2 的窗口和步幅2，其目 的是将特征
转载
2023-10-07 21:33:46
198阅读
