[人工智能-深度学习-23]:卷积神经网络CNN - 卷积核的本质是多维输入的神经元
作者主页(文火冰糖的硅基工坊):文火冰糖(王文兵)的博客_文火冰糖的硅基工坊_CSDN博客
本文网址:https://blog.csdn.net/HiWangWenBing/article/details/120734529
目录
第1章 预备核心概念
1.1 单个神经元的一维矩阵运算模型
1.2 神经网络(多个神经元)的二维矩阵运算模型
第2章 单个卷积核的本质是一个神经元
2.1 卷积核的来源
2.2 卷积核的本质是:三维(长度 * 宽度 * 通道)输入的神经元
2.3 卷积核的直观运算:“积” = 算术乘 + 累加和
2.4 卷积核线性化后的运算:“积” = 一维矩阵相乘
第3章 卷积运算平移:“卷”
3.1 卷积过程
3.2卷积的串行计算法:循环法
3.3 卷积的并行计算法:批量样本扩展法
3.4 卷积神经元的本质:三维输入,二维输出的神经元。
第4章 多个卷积核卷积神经网络
4.1 多个卷积核并发计算的原理
4.2 卷积神经网络与全连接神经网络
第1章 预备核心概念
1.1 单个神经元的一维矩阵运算模型
[人工智能-深度学习-21]:卷积神经网络CNN -- 多维输入的神经元模型及其本质:一维矩阵的点乘_文火冰糖(王文兵)的博客-CSDN博客第1章 神经元的一维输入模型1.1 一维线性输入的原始神经元模型[人工智能-深度学习-6]:神经网络基础 - 人工神经元数学模型、激活函数_文火冰糖(王文兵)的博客-CSDN博客第1章 人的神经系统1.1人体神经系统/神经网络的功能神经系统(nervoussystem)是机体内起主导作用的系统。(1)神经系统调节和控制人体各其他系统的复杂活动,使机体成为一个完整的统一有机体。例如,当参加体育运动时,随着骨骼肌的收缩,出现呼吸加快加深、心跳加速、出汗等一系列变化。(2)神经系统通过调整机体功能活动..https://blog.csdn.net/HiWangWenBing/article/details/120795317
1.2 神经网络(多个神经元)的二维矩阵运算模型
[人工智能-深度学习-22]:卷积神经网络CNN -- 单层神经网络的本质是矩阵相乘_文火冰糖(王文兵)的博客-CSDN博客作者主页(文火冰糖的硅基工坊):文火冰糖(王文兵)的博客_文火冰糖的硅基工坊_CSDN博客本文网址:目录第1章 单个神经的本质是一维矩阵(向量)内积(点乘)1.1 任意维度输入形态的神经元本质:算术乘+累加和1.2 任意维度形态的神经元都可以转换成一维输入的神经元:一维矩阵相乘1.3 多样本输入并发运算的神经元模型第2章 神经网络模型(多个独立的神经元)2.1 单样本,多个神经元输出并发运算的模型2.2 多样本,多个神经元输出并发运算的模型第1章 单个神经的本质是一维https://blog.csdn.net/HiWangWenBing/article/details/120798249
第2章 单个卷积核的本质是一个神经元
2.1 卷积核的来源
卷积来自于卷积神经网络,而卷积神经网络中核心是卷积层,卷积层的核心是卷积核,卷积层是由多个卷积核组成的神经网络。
卷积核的维度是3维:图片像素的长度 、宽度 、通道数这三个维度。
卷积核每个维度的长度(size):并不是整个图片每个维度的长度,而是卷积核本身每个维度的长度。如下图所示,红色的圆圈就是一个卷积核。
2.2 卷积核的本质是:三维(长度 * 宽度 * 通道)输入的神经元
卷积核首先是一个三个维度输入形态的神经元,如下图所示:
由于卷积核在x轴和y轴方向上,其长度都远远小于原始图片本身的长度。
因此,卷积核本身并没有与原始的输入的所有像素相连,而是部分相连,卷积核的参数矩阵的形状,决定了与之连接的输入属性的形状(维度+每个维度的长度)。
卷积核的大小又称为感受野(野:范围),它是指卷积核一次运算所能感受到输入属性的大小,这个大小远远小于图片本身的大小。
2.3 卷积核的直观运算:“积” = 算术乘 + 累加和
备注:
假设图片的张量为:64 * 64 * 3
假设图片的张量为: 5 * 5 * 3
则卷积核神经元的W矩阵为: 5 * 5 * 3 (暂忽略参数b)
那么卷积核的运算是:
(1)按位矩阵的算术乘:Z(5 * 5 * 3) = X (5 * 5 * 3) * W (5 * 5 * 3)
(2)对矩阵的所有位进行累加和
2.4 卷积核线性化后的运算:“积” = 一维矩阵相乘
假设卷积核为(5 * 5 * 3),则:
n = 5 * 5 * 3 = 45
x 是(1 * 45) 矩阵,矩阵的像素值来自于与整个原始图片的部分输入。
w 是(45 * 1)矩阵,参数的形状(shape)决定了W参数的个数,也决定了一次性与该神经元连接的输入属性的个数。
Y 是(1 * 1) 矩阵,一个卷积核为一个神经元,一个输出。
第3章 卷积运算平移:“卷”
3.1 卷积过程
3.2卷积的串行计算法:循环法
循环法比较直观,就是执行多次循环:
(1)每一次执行一次“内积”的运算,每一次内积就是一次神经元的运算。
(2)存储一次执行结果(内积)
(3)按照步长,移动输入数据指针,选择新一批与感受野大小相等的数据。
(4)重复1-3操作,直到完成所有步长(完成“卷”的过程)
这种方法的优点:
- 简单
- 直观
- 节省内存(内存复用,用时间换区空间)
这种方法的缺点:
- 串行执行,非并行执行,执行效率低下。
3.3 卷积的并行计算法:批量样本扩展法
(1)扩展步骤:
- 把整个图片展现成一维数据
- 上图中样本1->n,并不是不同的样本图片数据,而是一张图片中的子图片,即部分数据。
- 根据相邻子图片之间的重叠关系(即步长与卷积核的大小关系)由分为三种情形。
(2)扩展类型
- 不重叠,中间也没有间隔:构建的扩展网络的连接数与全连接网络的连接数相同, 如下图所示:
从计算量角度看, 这种方式类似于全连接,神经元与所有的输入数据进行一次计算。
但从网络结构来看,又不同于全连接:
a) W, B参数的个数不同于全连接,每个样本与神经元计算时,共享相同的W参数。
b) 输出个数:全连接模式是只有一个输出,多样本模式有多个不同的输出。
- 不重叠,中间有间隔:构建的扩展网络连接数小于全连接网络的的连接数
- 重叠:构建的扩展网络连接数大于全连接网络的连接数
3.4 卷积神经元的本质:三维输入,二维输出的神经元。
“卷”:把输入尺寸变换成输出尺寸:长度1 * 宽度1 =》 长度2 * 宽度2
“积”:把三维的卷积核大小的数据“积”(合并)成一个点。
卷积神经元是:三维输入 (X, Y, Z),通过动态“卷积”的方式,实现二维输出(X,Y)的神经元。
全连接神经元是:一维输入(X * Y * Z),通过静态“内积”的方式,实现一维单点输出(1*1)的神经元。
第4章 多个卷积核卷积神经网络
4.1 多个卷积核并发计算的原理
每个卷积核相当于一个神经元,多个卷积核与多个“子样本”组成如下能够支持并发运算的神经网络。
(1)图中的“样本“就是一个子图片,与卷积核感受野的大小相当,所有的子图片组合成一张大图片。
(2)图中的神经元就是”卷积核“,每一路卷积核都有一组输出,而不是一个输出,输出的个数取决于卷积的次数。
(3)卷积中的“卷”的过程,就是用小尺寸的卷积核,发现或过滤大图片中一个个小区间的特征。
(3)每个卷积核的一个个的卷积输出,本质就是发现一张图片中的一个个“小图片/子图片”的规律或输出特征。
(4)不同卷积核的每一次卷积输出,本质就是发现一张图片中的一个个“小图片/子图片"的不同规律或不同输出特征。
4.2 卷积神经网络与全连接神经网络
(1)卷积神经元网络是:
- 三维输入 (X, Y, Z)
- 通过动态、并行“卷积”的方式,实现三维输出(X,Y, Z)的神经元。
- 由卷积核尺寸、移动步长、填充大小决定输出支持(X,Y) ,
- 卷积核的个数决定输出尺寸(Z)。
(2)全连接神经元是:
- 一维输入 (X * Y * Z),等效的三维输入为(X, Y, Z)。
- 通过静态、并行“内积”的方式,实现一维多点输出(Z), 等效的三维输出为(1*1*Z)的神经元。
- 由全连接的一次性全累加和的方式,决定单个神经元的输出(1*1)
- 神经元的个数决定输出尺寸(Z)。
至于,如何对卷积核的一个个的输出进行一下一步的处理(比如挑选出较大的一个或求平均),就是pool层的任务了。其网络的基本原理卷积核一致。
作者主页(文火冰糖的硅基工坊):文火冰糖(王文兵)的博客_文火冰糖的硅基工坊_CSDN博客
本文网址:https://blog.csdn.net/HiWangWenBing/article/details/120734529
[人工智能-深度学习-23]:卷积神经网络CNN - 卷积核的本质是多维输入的神经元相关推荐
- 深度学习~卷积神经网络(CNN)概述
目录 1. 卷积神经网络的形成和演变 1.1 卷积神经网络结构 1.2 卷积神经网络的应用和影响 1.3 卷积神经网络的缺陷和视图 1.3.1 缺陷:可能错分 1.3.2 解决方法:视图 ...
- 深度学习:卷积神经网络CNN入门
作者:机器之心 链接:https://www.zhihu.com/question/52668301/answer/131573702 来源:知乎 著作权归作者所有.商业转载请联系作者获得授权,非商业 ...
- 深度学习之卷积神经网络CNN
转自: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 ...
- 深度学习之卷积神经网络CNN理论与实践详解
六月 北京 | 高性能计算之GPU CUDA培训 6月22-24日三天密集式学习 快速带你入门阅读全文> 正文共1416个字,6张图,预计阅读时间6分钟. 概括 大体上简单的卷积神经网络是下面 ...
- 深度学习之卷积神经网络CNN 常用的几个模型
LeNet5 论文:http://yann.lecun.com/exdb/publis/pdf/lecun-01a.pdf LeNet-5:是Yann LeCun在1998年设计的用于手写数字识别的卷 ...
- 干货 | 深度学习之卷积神经网络(CNN)的模型结构
微信公众号 关键字全网搜索最新排名 [机器学习算法]:排名第一 [机器学习]:排名第一 [Python]:排名第三 [算法]:排名第四 前言 在前面我们讲述了DNN的模型与前向反向传播算法.而在DNN ...
- 深度学习笔记-卷积神经网络CNN与循环神经网络RNN有什么区别?
转载 https://blog.csdn.net/weixin_35227692/article/details/79223536 转载于:https://www.cnblogs.com/USTBlx ...
- 【深度学习】卷积神经网络-图片分类案例(pytorch实现)
前言 前文已经介绍过卷积神经网络的基本概念[深度学习]卷积神经网络-CNN简单理论介绍.下面开始动手实践吧.本文任务描述如下: 从公开数据集CIFAR10中创建训练集.测试集数据,使用Pytorch构 ...
- 机器学习——深度学习之卷积神经网络(CNN)——AlexNet卷积神经网络结构
目录 一.AlexNet卷积神经网络结构模型 1.数据库ImageNet 2.AlexNet第一层卷积层 二.AlexNet卷积神经网络的改进 1.非线性变化函数的改变--ReLU 2.最大池化(Ma ...
- 深度学习之卷积神经网络(Convolutional Neural Networks, CNN)(二)
前面我们说了CNN的一般层次结构, 每个层的作用及其参数的优缺点等内容.深度学习之卷积神经网络(Convolutional Neural Networks, CNN)_fenglepeng的博客-CS ...
最新文章
- 构建根文件系统启动(1)
- 使用浏览器console批量更改图片的宽度
- 绑定服务调用本地服务中的方法
- ubuntu 网卡相关
- Visual Studio 2019 安装教程 附免费安装包资源
- oracle json入参调用ws服务返回请求失败_Spring 5.2.2技术集成 —Spring HTTP调用程序和JAXWS...
- Android Status(状态栏) 着色
- android菜单和对话栏,Android回顾--(十一) 菜单和对话框
- IDEA的使用注释编程时,出现报错解决方案
- 7500 cpuz跑分 i5_锐龙R5 1400对比i5 7500哪个好 R5-1400与i5-7500区别对比详细评测
- 高版本linux安装gamit,Ubuntu14下Gamit安装(示例代码)
- 使用Word制作签名电子版
- 用国外的服务器有什么样的优势吗?
- iOS 自定义播放器
- Qt编写自定义控件65-光晕日历
- 高中教师计算机水平要求,对中学教师信息技术应用能力的要求论文.doc
- OpenGL绘制框架(Win32版)
- 用sqlcipher对已有的SQLite数据库加密
- 中国证券投资基金从业考试 笔记(时间相关)
- 有苦有乐的算法 --- 在一个数组中,有一种数出现了奇数次,其余数都出现了偶数次,找到这种数
热门文章
- 南京20年房价变迁史:别人在买房,你在干什么?
- 【成功的忙人】在北京30套房的小哥:人一闲,就废了!
- unity il2cpp 热更实现
- BTA | CSDN蒋涛:区块链时代最大赢家,将属于技术、经济、组织的三合一高手
- web前端零基础html5 +css3基础教程
- 注塑加工过程中需要注意的事项
- 怎么用静图做gif动图?三步教你轻松做动图
- linux中支持gb18030的输入法,教程:智能的陈巧五笔输入法linux v1.1最新版本
- STM32控制0.96寸OLED(4针/4Pin)汉字以及数字,英文显示
- 中国平安会不会成为美国的世通或者安然?