DeepLearning深度学习教程_第五章卷积神经网络(CNN).pdf_其中,神经网络是该领域的新成员,最具代表性的深度学习被认为是最接近AI最初目标的资源-CSDN文库

版权申诉

DeepLearning

深度学习

75 浏览量 2023-08-23 21:13:35 上传评论收藏 3.75MB PDF 举报

资源推荐

资源详情

资源评论

DeepLearning

第五章第五章卷积神经⽹络卷积神经⽹络

(CNN)

DeepLearning

第五章卷积神经⽹络（CNN）

5.1 卷积神经⽹络的组成层

5.1.1 输⼊层

5.1.2 卷积层

5.1.3 激活层

5.1.4 池化层

5.1.5 全连接层

5.2 卷积在图像中有什么直观作⽤

5.3 卷积层有哪些基本参数？

5.4 卷积核有什么类型？

5.5 ⼆维卷积与三维卷积有什么区别？

5.7 有哪些池化⽅法？

5.8 $1\times1$卷积作⽤？

5.9 卷积层和池化层有什么区别？

5.10 卷积核是否⼀定越⼤越好？

5.11 每层卷积是否只能⽤⼀种尺⼨的卷积核？

5.12 怎样才能减少卷积层参数量？

5.13 在进⾏卷积操作时，必须同时考虑通道和区域吗？

5.14 采⽤宽卷积的好处有什么？

5.15 理解转置卷积与棋盘效应

5.15.1 标准卷积

5.15.2 转置卷积

5.15.3 棋盘效应

5.16 卷积神经⽹络的参数设置

5.17 提⾼卷积神经⽹络的泛化能⼒

5.18 卷积神经⽹络在不同领域的应⽤

5.18.1 联系

5.18.2 区别

5.19 卷积神经⽹络凸显共性的⽅法？

5.19.1 局部连接

5.19.2 权值共享

5.19.3 池化操作

5.20 全连接、局部连接、全卷积与局部卷积

5.21 局部卷积的应⽤

5.22 Net VLAD池化（贡献者：熊楚原-中国⼈民⼤学）

参考⽂献

第五章卷积神经⽹络（CNN）

卷积神经⽹络是⼀种⽤来处理局部和整体相关性的计算⽹络结构，被应⽤在图像识别、⾃然语⾔处理甚⾄是语⾳识别领域，

因为图像数据具有显著的局部与整体关系，其在图像识别领域的应⽤获得了巨⼤的成功。

5.1 卷积神经⽹络的组成层

以图像分类任务为例，在表5.1所⽰卷积神经⽹络中，⼀般包含5种类型的⽹络层次结构：

表5.1 卷积神经⽹络的组成

CNN层次结构层次结构输出尺⼨输出尺⼨作⽤作⽤

输⼊层卷积⽹络的原始输⼊，可以是原始或预处理后的像素矩阵

卷积层参数共享、局部连接，利⽤平移不变性从全局特征图提取局部特征

激活层将卷积层的输出结果进⾏⾮线性映射

第五章卷积神经⽹络（CNN）

1/21

DeepLearning

池化层

进⼀步筛选特征，可以有效减少后续⽹络层次所需的参数量

全连接层将多维特征展平为2维特征，通常低维度特征对应任务的学习⽬标（类别或回归值）

CNN层次结构层次结构输出尺⼨输出尺⼨作⽤作⽤

对应原始图像或经过预处理的像素值矩阵，3对应RGB图像的通道; 表⽰卷积层中卷积核（滤波器）的个数;

为池化后特征图的尺度，在全局池化中尺度对应 ; 是将多维特征压缩到1维之后的⼤⼩，

对应的则是图像类别个数。

5.1.1 输⼊层

输⼊层(Input Layer)通常是输⼊卷积神经⽹络的原始数据或经过预处理的数据，可以是图像识别领域中原始三维的多彩图

像，也可以是⾳频识别领域中经过傅利叶变换的⼆维波形数据，甚⾄是⾃然语⾔处理中⼀维表⽰的句⼦向量。以图像分类任

务为例，输⼊层输⼊的图像⼀般包含RGB三个通道，是⼀个由长宽分别为和组成的3维像素值矩阵，卷积

⽹络会将输⼊层的数据传递到⼀系列卷积、池化等操作进⾏特征提取和转化，最终由全连接层对特征进⾏汇总和结果输出。

根据计算能⼒、存储⼤⼩和模型结构的不同，卷积神经⽹络每次可以批量处理的图像个数不尽相同，若指定输⼊层接收到的

图像个数为，则输⼊层的输出数据为。

5.1.2 卷积层

卷积层(Convolution Layer)通常⽤作对输⼊层输⼊数据进⾏特征提取，通过卷积核矩阵对原始数据中隐含关联性的⼀种抽

象。卷积操作原理上其实是对两张像素矩阵进⾏点乘求和的数学操作，其中⼀个矩阵为输⼊的数据矩阵，另⼀个矩阵则为卷

积核（滤波器或特征矩阵），求得的结果表⽰为原始图像中提取的特定局部特征。图5.1表⽰卷积操作过程中的不同填充策

略，上半部分采⽤零填充，下半部分采⽤有效卷积（舍弃不能完整运算的边缘部分）。

图5.1 卷积操作⽰意图

5.1.3 激活层

第五章卷积神经⽹络（CNN）

2/21

DeepLearning

激活层(Act ivation Layer)负责对卷积层抽取的特征进⾏激活，由于卷积操作是由输⼊矩阵与卷积核矩阵进⾏相差的线性变化

关系，需要激活层对其进⾏⾮线性的映射。激活层主要由激活函数组成，即在卷积层输出结果的基础上嵌套⼀个⾮线性函

数，让输出的特征图具有⾮线性关系。卷积⽹络中通常采⽤ReLU来充当激活函数（还包括t anh和sigmoid等）ReLU的函数形

式如公式（5-1）所⽰，能够限制⼩于0的值为0,同时⼤于等于0的值保持不变。

5.1.4 池化层

池化层⼜称为降采样层(Downsampling Layer)，作⽤是对感受域内的特征进⾏筛选，提取区域内最具代表性的特征，能够

有效地降低输出特征尺度，进⽽减少模型所需要的参数量。按操作类型通常分为最⼤池化(Max Pooling)、平均池化(Average

Pooling)和求和池化(Sum Pooling)，它们分别提取感受域内最⼤、平均与总和的特征值作为输出，最常⽤的是最⼤池化。

5.1.5 全连接层

全连接层(Full Connect ed Layer)负责对卷积神经⽹络学习提取到的特征进⾏汇总，将多维的特征输⼊映射为⼆维的特征输

出，⾼维表⽰样本批次，低位常常对应任务⽬标。

5.2 卷积在图像中有什么直观作⽤

在卷积神经⽹络中，卷积常⽤来提取图像的特征，但不同层次的卷积操作提取到的特征类型是不相同的，特征类型粗分如表

5.2所⽰。

表5.2 卷积提取的特征类型

卷积层次卷积层次特征类型特征类型

浅层卷积边缘特征

中层卷积局部特征

深层卷积全局特征

图像与不同卷积核的卷积可以⽤来执⾏边缘检测、锐化和模糊等操作。表5.3显⽰了应⽤不同类型的卷积核（滤波器）后的各

种卷积图像。

表5.3 ⼀些常见卷积核的作⽤

卷积作⽤卷积作⽤卷积核卷积核卷积后图像卷积后图像

输出原图

第五章卷积神经⽹络（CNN）

3/21

剩余22页未读，继续阅读

评论收藏

内容反馈

版权申诉

安全方案

粉丝: 1087
资源: 3999

DeepLearning深度学习教程_第五章 卷积神经网络(CNN).pdf

CNN_神经网络_深度学习_深度学习CNN_卷积神经网络_源码.zip.zip

cnn.zip_CNN_deep learning_卷积神经网络_神经网络

深度学习与PyTorch入门实战教程-卷积神经网络CNN.rar

实验六卷积神经网络CNN框架的实现与应用.pdf

卷积神经网络CNN.pdf

Deep Learning（深度学习）学习笔记整理系列pdf

第五章 卷积神经网络(CNN).pdf

深度学习之卷积神经网络CNN

深度学习：卷积神经网络CNN

卷积神经网络(CNN)学习笔记.pdf

卷积神经网络CNN学习笔记 pdf

6.深度学习简介和卷积神经网络cnn.pdf

DeepLearnToolbox-cnn.zip_CNN_MATLAB 深度学习_cnn 深度学习_卷积神经网络_深度学习

卷积神经网络CNN.ppt

CNN_cnn631_CNNDetect_CNN_卷积神经网络.zip

CNN-SVM_深度学习_pythonCNN-SVM_pythoncnn_SVM_卷积支持向量_源码.zip

深度学习之卷积神经网络CNN及tensorflow实例

深度学习500问-Tan-05第五章 卷积神经网络（CNN）1

TensorFlow深度学习之卷积神经网络CNN

CNN_神经网络_深度学习_深度学习CNN_卷积神经网络_

faceRecognition.zip_CNN MATLAB_卷积神经网络_深度学习 matlab_深度神经网络

CNN_python_卷积神经网络matlab代码_CNN.zip

CNN-深度学习-卷积神经网络.ppt

【深度学习】CNN卷积神经网络-识别阿喵阿汪源代码

CNN.zip_CNN_图像处理_深度学习_深度学习、卷积神经网络

深度学习、卷积神经网络CNN工具箱源代码

深度学习：Keras入门(二)之卷积神经网络(CNN)

DeepLearning深度学习教程_第十六章_NLP.pdf

最新资源

DeepLearning深度学习教程_第五章卷积神经网络(CNN).pdf

第五章卷积神经网络(CNN).pdf

深度学习500问-Tan-05第五章卷积神经网络（CNN）1