没有合适的资源？快使用搜索试试~ 我知道了~

首页深度学习之卷积神经网络CNN及tensorflow实例

深度学习之卷积神经网络CNN及tensorflow实例

tensorflow

CNN

需积分: 9 1.2k 浏览量更新于2023-05-28 评论 4 收藏 1.47MB PDF 举报

身份认证购VIP最低享 7 折!

领优惠券(最高得80元）

试读

24页

参阅：https://blog.csdn.net/cxmscb/article/details/71023576

资源详情

资源评论

资源推荐

深度学习之卷积神经网络 CNN 及 tensorflow 代码实现示例

个人分类：机器学习深度学习

所属专栏：机器学习

https://blog.csdn.net/cxmscb/article/details/71023576

一、CNN 的引入

在人工的全连接神经网络中，每相邻两层之间的每个神经元之间都是有边相连的。当输入

层的特征维度变得很高时，这时全连接网络需要训练的参数就会增大很多，计算速度就会

变得很慢，例如一张黑白的

28×28

的手写数字图片，输入层的神经元就有

784

个，如下图所示：

若在中间只使用一层隐藏层，参数

就有

784×15=11760

多个；

若输入的是

28×28

带有颜色的

RGB

格式的手写数字图片，输入神经元就有

28×28×3=2352

个

……

。这很容易看出使用全连接神经网络处理

图像中的需要训练参数过多的问题。

而在卷积神经网络（

Convolutional Neural Network,CNN

）中，卷积层的神经元只与前一

层的部分神经元节点相连，即它的神经元间的连接是非全连接的，且同一层中某些神经元

之间的连接的权重

和偏移

是共享的（即相同的），这样大量地减少了需要训练参

数的数量。

卷积神经网络

CNN

的结构一般包含这几个层：



输入层：用于数据的输入



卷积层：使用卷积核进行特征提取和特征映射



激励层：由于卷积也是一种线性运算，因此需要增加非线性映射



池化层：进行下采样，对特征图稀疏处理，减少数据运算量。



全连接层：通常在

CNN

的尾部进行重新拟合，减少特征信息的损失



输出层：用于输出结果

当然中间还可以使用一些其他的功能层



归一化层（

Batch Normalization

）：在

CNN

中对特征的归一化



切分层：对某些（图片）数据的进行分区域的单独学习



融合层：对独立进行特征学习的分支进行融合

二、CNN 的层次结构

输入层：

在

CNN

的输入层中，（图片）数据输入的格式与全连接神经网络的输入格式（一维向

量）不太一样。

CNN

的输入层的输入格式保留了图片本身的结构。

对于黑白的

28×28

的图片，

CNN

的输入是一个

28×28

的的二维神经

元，如下图所示：

而对于

RGB

格式的

28×28

图片，

CNN

的输入则是一个

3×28×28

的

三维神经元（

RGB

中的每一个颜色通道都有一个

28×28

的矩阵），如下图所示：

卷积层：

在卷积层中有几个重要的概念：



local receptive fields

（感受视野）



shared weights

（共享权值）

假设输入的是一个

28×28

的的二维神经元，我们定义

5×5

的一个

local

receptive fields

（感受视野），即隐藏层的神经元与输入层的

5×5

个神经元相连，

这个

5*5

的区域就称之为

Local Receptive Fields

，如下图所示：

可类似看作：隐藏层中的神经元具有一个固定大小的感受视野去感受上一层的部分特征。

在全连接神经网络中，隐藏层中的神经元的感受视野足够大乃至可以看到上一层的所有特

征。

而在卷积神经网络中，隐藏层中的神经元的感受视野比较小，只能看到上一次的部分特征，

上一层的其他特征可以通过平移感受视野来得到同一层的其他神经元，由同一层其他神经

元来看：

设移动的步长为

：从左到右扫描，每次移动

格，扫描完之后，再向下移动一格，再

次从左到右扫描。

具体过程如动图所示：

可看出卷积层的神经元是只与前一层的部分神经元节点相连，每一条相连的线对应一个

权重

。

一个感受视野带有一个卷积核，我们将感受视野中的权重

矩阵称为卷积核；将感

受视野对输入的扫描间隔称为步长（

stride

）；当步长比较大时（

stride>1

），为了扫描

剩余23页未读，继续阅读

卷积神经网络（Convolutional Neural Network，CNN）整体结构是融合卷积计算和具有一定深度结构的前馈神经网络。使用CNN作为算法核心的深度学习算法被是现如今使用最多的框架之一。由于其人工神经元可以相应一部分覆盖范围内的周围单元，因此在大型图像处理方面表现优异。卷积神经网络允许的输入层直接输入原始图像，以此来省去各种复杂前期预处理操作。卷积神经网络用于识别位移、缩放和扭曲不变性的二维图像有较好的识别效果，每张图像的像素点可以看作是一个多维输入向量，同一特征映射图上的权值共享减少了权值的数量，降低了网络的复杂性。

卷积神经网络的结构包含卷积层、池化层、全连接层等，每一层的输出都是下一层的输入。卷积层和池化层是卷积神经网络最基本的组成部分，卷积层通过卷积核对输入的二维图像进行卷积运算，提取图像特征；池化层则是对卷积层的输出做降采样操作，降低数据维度，减小计算量，同时提高模型的容错性，使得卷积神经网络具有更好的泛化性能。卷积神经网络的训练采用反向传播算法，通过梯度下降法不断调整模型参数，使得模型的输出与标签

紫竹君

粉丝: 0
资源: 4

上传资源快速赚钱

我的内容管理收起

我的资源快来上传第一个资源

我的收益

登录查看自己的收益

我的积分登录查看自己的积分

我的C币登录后查看C币余额

我的收藏

我的下载

下载帮助

会员权益专享

深度学习之卷积神经网络CNN及tensorflow实例

评论0

会员权益专享

最新资源

深度学习之卷积神经网络CNN及tensorflow实例

评论0

cnn 卷积神经网络 图像 tensorflow

TensorFlow深度学习之卷积神经网络CNN

卷积神经网络回归任务tensorflow

CNN-深度学习-卷积神经网络.ppt

实用卷积神经网络运用python实现高级深度学习模型

深度卷积神经网络与卷积神经网络的区别

卷积神经网络CNN笔记（理解CNN数学原理的指南）.pdf

卷积神经网络CNN如何优化

深度学习之基于tensorflow卷积神经网络水果蔬菜分类识别系统_索炜达.猿创

卷积神经网络cnn python代码

从零开始搭建神经网络-卷积神经网络(CNN)

卷积神经网络CNN代码解析-matlab.doc

卷积神经网络CNN以及几种经典模型

深度学习中的卷积神经网络系统设计及硬件实现

1d cnn卷积神经网络matlab

pso粒子群优化卷积神经网络cnn回归模型

卷积神经网络(CNN)的优缺点

深度学习卷积神经网络可检测和分类番茄植物叶病

会员权益专享

最新资源

cnn 卷积神经网络图像 tensorflow