本文主要记录卷积神经网络提取特征的原理学习，以及一些可视化方法。 动机：交通标志检测的标注与检测结果分析中，辅助标志的召回率特别低，与其他形状、大小类似的标志相比也低得多，考虑网络在学习时，是否对有些特征学得好，有些特征不好学？
转载
2023-07-10 21:39:43
145阅读
在TensorFlow学习笔记(8):CNN实现中我们以图像处理为场景对卷积神经网络进行了介绍，包括了卷积操作和pooling操作的实现，其中卷积和pooling都采用了二维的操作，输入数据是四维的，shape = [batch, in_height, in_width, in_channels]，例如图像像素为28 * 28, RGB三色道表示，batch取100，那么shape
转载
2024-02-02 13:42:00
180阅读
卷积神经网络基础教程卷积神经网络是指那些至少在网络的一层中使用卷积运算来替代一般的矩阵乘法运算的神经网络。卷积神经网络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，例如时间序列（可以认为是在时间轴上有规律地采样形成的一维网格）和图像数据（可以看作是二维的像素网格）。卷积运算一维场合卷积的一个重要物理意义是：一个函数（如：单位响应）在另一个函数（如：输入信号）上的加权叠加。对于线性时不变系统，
转载
2023-11-06 12:34:36
140阅读
维卷积神经网络，可以用来做一维的数据分析，以家用电器的识别分类作为背景。使用excel画出的简单的图形如下，横坐标为用电器开启后的秒数，纵坐标为某一秒的有功功率，由上至下分别为空调（Air Conditioner），冰箱（Refrigerator），烤炉（Stove）： ! 从上面三个图可以看出不同的用电器在工作时会以自己特有的方式工作。从而形成不同的特征峰及平台。接下来使用到的数据
转载
2023-08-23 16:30:03
340阅读
1、cnn卷积神经网络的概念卷积神经网络（CNN），这是深度学习算法应用最成功的领域之一，卷积神经网络包括一维卷积神经网络，二维卷积神经网络以及三维卷积神经网络。一维卷积神经网络主要用于序列类的数据处理，二维卷积神经网络常应用于图像类文本的识别，三维卷积神经网络主要应用于医学图像以及视频类数据识别。2、卷积神经网络结构卷积神经网络通常包含以下几层：卷积层：卷积神经网路中每层卷积层由若干卷积单元组成
转载
2023-10-11 20:36:33
871阅读
这个系列记录下自己的深度学习练习，本文主要尝试了使用简单的卷积神经网络（CNN）解进行机器学习，因为数据样本贴合度可能不hi很好，实际效果并不是很明显。请读者理解原理就好，本人也是在不断摸索中。这个系列一开始曾经用二维卷积神经网络对图像数据进行应用，本文主要是使用一维卷积神经网络，对序列数据进行机器学习，可以理解为将原始数据变换为一维的序列段，与二维卷积神经网络一样，这一步运算的作用
转载
2023-05-18 15:37:44
613阅读
现在大部分的深度学习教程中都把卷积定义为图像矩阵和卷积核的按位点乘。实际上，这种操作应该是互相关（cross-correlation），而卷积需要把卷积核顺时针旋转180度然后再做点乘。一维卷积分为：full卷积、same卷积和valid卷积以一个长度为5的一维张量I和长度为3的一维张量k(卷积核)为例，介绍其过程。一维full卷积Full卷积的计算过程是：K沿着I顺序移动，每移动到一个固定位置，
转载
2024-06-07 11:03:42
69阅读
文章目录一、卷积核（convolutional kernel）：1.1 介绍1.2 设计中的问题二、池化（pooling）：没有完全整理的blog整理完的blog 一、卷积核（convolutional kernel）：1.1 介绍目标： 实现对应于输入的局部感知实现方式： 对输入的某个局部块进行加权求和理由： 感受野的提出（观察某个物体时我们既不能观察每个像素，也不能一次观察整体，而是先从局部
转载
2023-11-10 11:33:01
799阅读
前言使用pytorch搭建TextCNN时，需要使用卷积层与池化层，以下对pytorch中的卷积及池化层的特点进行记录。pytorch中卷积与池化需要重点关注input_channels、output_channles、kernel_size，即“输入张量通道数量、输出张量通道数量、核大小。” 卷积层Conv1d一维卷积是指卷积核张量是一维，其调用形式为：torch.nn.Conv1d
转载
2023-09-16 00:11:16
438阅读
卷积神经网络（CNN）是深度学习中常用的网络架构，在智能语音中也不例外，比如语音识别。语音中是按帧来处理的，每一帧处理完就得到了相对应的特征向量，常用的特征向量有MFCC等，通常处理完一帧得到的是一个39维的MFCC特征向量。假设一段语音有N帧，处理完这段语音后得到的是一个39行N列（行表示特征维度，列表示帧数）的矩阵，这个矩阵是一个平面，是CNN的输入。应用在图像问题上的CNN通常是二维卷积（
转载
2023-09-05 08:45:20
94阅读
1x1的卷积能做什么呢？ 所谓信道压缩，Network in Network是怎么做到的？ 对于如下的二维矩阵，做卷积，相当于直接乘以2，貌似看上去没什么意义。 但是，对于下面这种32通道的数据，如果我用1个1x1x32的卷积核与其做卷积运算，得到的就是1个6x6的矩阵。 在这个过程中，发生了如下的事情： （1）遍历36个单元格（6x6） （2）计算左图中32个信道中截面与卷积核中32个元素的乘积
转载
2023-08-24 19:51:08
136阅读
# Python一维卷积神经网络
## 介绍
卷积神经网络（Convolutional Neural Network，CNN）是一种深度学习模型，广泛应用于图像识别、自然语言处理等领域。一维卷积神经网络（1D CNN）是CNN的一种变种，主要用于处理序列数据，例如时间序列数据、语音信号等。本文将介绍如何使用Python构建一维卷积神经网络，并提供代码示例。
## 一维卷积神经网络的结构
一维卷
原创
2023-08-28 07:35:13
638阅读
一维卷积在tensorflow中，可以使用tf.layers.conv1d实现一维卷积。
inputs: 输入Tensor
filters: int, 输出Tensor通道数
kernel_size: int/tuple or list of int, 一维卷积窗口的大小
strides: int/tuple or list of int, 卷积步长
padding: valid/same
di
转载
2023-06-27 11:28:57
710阅读
看到一句话，其实卷积层就是一种滤波器，放大它感兴趣的，缩小它不感兴趣的，很有道理。 二维卷积层的数学表达： 这里这个W其实就是kernel，是在这里通过这种方式学习出来的参数，表现出来的就是一个矩阵。b是偏差，通过广播机制作用给Y。 二维交叉和二维卷积，就差一个翻转的关系： 为了简单，我们把负号删掉了。所以在神
转载
2023-08-07 18:17:57
149阅读
卷积层1、class torch.nn.Conv1d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True)一维卷积层，输入的尺度是(N, C_in,L_in)，输出尺度（ N,C_out,L_out）的计算方式：N为批次，C_in即为in_channels，即一批内
转载
2024-05-22 20:05:22
207阅读
最近在写论文，刚好在用一维卷积，平常都是直接打印输入输出维度，然后进行各种操作，以前理解过一维卷积的详细过程，但时间一久，也忘记了，鉴于网上对一维卷积过程的描述过于混乱，没有一个比较统一且实践性的说法，这里以TextCNN为例，来说明一维卷积是如何工作的。先上一张TextCNN的经典图：二维卷积大家都非常清楚，网上也有非常清晰明了的动图演示，简单的来说，无非就是一个卷积核矩阵从左到右、从上到下的扫
转载
2023-10-19 10:44:16
111阅读
1*1卷积的主要作用有以下几点：1、降维（ dimension reductionality ）。比如，一张500 * 500且厚度depth为100 的图片在20个filter上做1*1的卷积，那么结果的大小为500*500*20。2、加入非线性。卷积层之后经过激励层，1*1的卷积在前一层的学习表示上添加了非线性激励（ non-linear activation ），提升网络的表达能力；下图是I
转载
2023-12-14 01:08:16
70阅读
1 一维卷积 最简单的卷积是一维卷积，通常用于序列数据集(但也可以用于其他用例)。它们可以用于从输入序列中提取局部1D子序列，并在卷积窗口内识别局部模式。下图展示了如何将一维卷积滤波器应用于序列以获得新的特征。1D卷积的其他常见用法出现在NLP领域，其中每个句子都表示为单词序列。 2 二维卷积 在图像数据集上，CNN架构中使用的大多是二维卷积滤波器。二维卷积的主要思想是通过卷积滤波器向2个方向(x
转载
2023-11-26 15:00:44
186阅读
------------------------------------ 所谓卷积，其实是一种数学运算。但是在我们的学习生涯中，往往它都是披上了一层外衣，使得我们经常知其然不知其所以然。比如在信号系统中，他是以一维卷积的形式出现描述系统脉冲响应。又比如在图像处理中，他是以二维卷积的形式出现，可以对图像进行模糊处理。乍一看，两个形式风马牛不相及，但其实他们的本质都是统一的。可见，我们看待事物不仅要
转载
2024-02-26 15:54:20
42阅读
torch.nn.Conv1dtorch.nn.Conv1d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True,padding_mode= ‘zeros’)in_channels：输入通道数out_channels：输出通道数（同卷积核个数）kernel_size
转载
2023-09-26 22:11:01
219阅读
