深度学习之卷积神经网络 LeNet
卷积神经网络典型CNN
- LeNet:最早用于数字识别的CNN
- LeNet5:现在常说的一般就是LeNet5
- AlexNet:2012ILSVRC冠军,远超第二名的CNN,比LeNet更深,用多层小卷积叠加来替换单个的大卷积
- ZF Net:2013ILSVRC冠军
- GoogLeNet:2014ILSVRC冠军
- VGGNet:2014ILSVRC比赛中算法模型,效果率低于GoogleNet
- ResNet:2015ILSVRC冠军,结构修正以适应更深层次的CNN训练
卷积神经网络典型CNN-LeNet
卷积神经网络典型CNN-LeNet5
网络结构
C1层是一个卷积层(卷积+激励)
- input:1*32*32
- filter:1*5*5
- stripe:1
- padding:0
- filter size/depth:6
- output:6*28*28
- 神经元数目:6*28*28
- 参数个数:(1*5*5+1)*6=156。每个特征图内共享参数,因此参数总数:共(5*5+1)*6=156个参数
- 连接方式:普通的卷积连接方式
- 每个卷积神经元的参数数目:5*5=25个weight参数和一个bias参数
- 链接数目:(5*5+1)*6*(28*28)=122304个链接
S2层是一个下采样层(池化)
- input:6*28*28
- filter:2*2
- padding:0
- stripe:2
- output:6*14*14。每个图中的每个单元与C1特征图中的一个2*2邻域相连接,不重叠。因此,S2中每个特征图的大小是C1中的特征图大小的1/4
- 神经元数目:6*14*14
- 参数个数:0
- 连接方式:普通的最大池化方式
=========================================================================
现在 lenet5 多用改进的池化,池化方式如下
- S2层每个单元的4个输入相加,乘以一个可训练参数w,再加上一个可训练偏置b,结果通过sigmoid函数计算
- 连接数:(2*2+1)*1*14*14*6=5880个
- 参数共享:每个特征图内共享参数,因此有2*6=12个可训练参数
C3层是一个卷积层(卷积+激励)
- input:6*14*14
- filter:?*5*5 6*5*5
- stripe:1
- padding:0
- filter size/depth:16
- output:16*10*10
- 神经元数目:16*10*10
- 参数个数:(3*5*5+1)*6+(4*5*5+1)*9+(6*5*5+1)*1=1516
- 连接方式(S2->C3) 不是普通的卷积操作,是卷积操作的变种。"最终输出的16个fetaure map中,对应的前六个卷积核是和s2中输出的六个feature map中的任意3个feature map做卷积,中间九个卷积核是和s2中输出的六个feature map中的任意4个feature map做卷积,最后一个卷积核是和六个feature map做卷积"。
- 好处:
- 1. 不需要使用全部的feature map,这样有连接的feature map的连接数/参数数量可以保持在一定范围,直白来讲:相对于传统的卷积操作,降低了网络的参数数据量
- 2. 可以打破网络的对称结构,不同的卷积核可以得到不同的特征信息
- 好处:
S4层是一个下采样层(池化)
- input:16*10*10
- filter:2*2
- padding:0
- stripe:2
- output:16*5*5
- 神经元数目:16*5*5
- 参数个数:0
- 连接方式:普通的最大池化方式
=========================================================================
现在 lenet5 多用改进的池化,池化方式如下
- S4层每个单元的4个输入相加,乘以一个可训练参数w,再加上一个可训练偏置b,结果通过sigmoid函数计算
- 连接数:(2*2+1)*5*5*16=2000个
- 参数共享:特征图内共享参数,每个特征图中的每个神经元需要1个因子和一个偏置,因此有2*16个可训练参数。
C5层是一个卷积层(卷积+激励)
- input:16*5*5
- filter:16*5*5(没有共享卷积核)
- stripe:1
- padding:0
- filter size/depth:120
- output:120*1*1
- 神经元数目:120*1*1
- 参数个数:(16*5*5+1)*120=48120
- 连接数:(16*5*5+1)*120=48120
- 连接方式:普通的卷积操作。好处、作用:当网络结构不变,如果输入的大小发生变化,那么C4的输出就不是120啦。120个神经元,可以看作120个特征图,每张特征图的大小为1*1,每个单元与S4层的全部16个单元的5*5邻域相连(S4和C5之间的全连接)
F6层是一个全连接层
- input:120
- output:84
- 神经元数目:84
- 参数个数:(120+1)*84=10164
- 连接数:(120+1)*84=10164
- 有84个单元(之所以选这个数字的原因来自于输出层的设计),与C5层全连接。84:stylized image:7*12
输出层采用欧氏径向基函数单元
- input:84
- output:10
- 神经元数目:10
- 参数数目:84*10=840
- 给定一个输入模式,损失函数应能使得F6的配置与RBF参数向量(即模式的期望分类)足够接近。
- 每类一个单元,每个单元连接84个输入;每个输出RBF单元计算输入向量和参数向量之间的欧式距离。
- RBF输出可以被理解为F6层配置空间的高斯分布的对数似然【-log-likelihood】
卷积神经网络CNN性能演进历程
深度学习之卷积神经网络 LeNet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 ...
- 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 ...
- 解析深度学习:卷积神经网络原理与视觉实践
解析深度学习:卷积神经网络原理与视觉实践 魏秀参 著 ISBN:9787121345289 包装:平装 开本:16开 正文语种:中文 出版社: 电子工业出版社 出版时间:2018-11-01
- 【深度学习】卷积神经网络实现图像多分类的探索
[深度学习]卷积神经网络实现图像多分类的探索 文章目录 1 数字图像解释 2 cifar10数据集踩坑 3 Keras代码实现流程 3.1 导入数据 3.2 浅层CNN 3.3 深层CNN 3.4 进 ...
- 【深度学习】卷积神经网络速成
[深度学习]卷积神经网络速成 文章目录 [深度学习]卷积神经网络速成 1 概述 2 组成 2.1 卷积层 2.2 池化层 2.3 全连接层 3 一个案例 4 详细分析 1 概述 前馈神经网络(feed ...
- 深度学习之卷积神经网络(13)DenseNet
深度学习之卷积神经网络(13)DenseNet Skip Connection的思想在ResNet上面获得了巨大的成功,研究人员开始尝试不同的Skip Connection方案,其中比较流行的就是D ...
- 深度学习之卷积神经网络(12)深度残差网络
深度学习之卷积神经网络(12)深度残差网络 ResNet原理 ResBlock实现 AlexNet.VGG.GoogleLeNet等网络模型的出现将神经网络的法阵带入了几十层的阶段,研究人员发现网络的 ...
- 深度学习之卷积神经网络(11)卷积层变种
深度学习之卷积神经网络(11)卷积层变种 1. 空洞卷积 2. 转置卷积 矩阵角度 转置卷积实现 3. 分离卷积 卷积神经网络的研究产生了各种各样优秀的网络模型,还提出了各种卷积层的变种,本节将重点介 ...
- 深度学习之卷积神经网络(10)CIFAR10与VGG13实战
深度学习之卷积神经网络(10)CIFAR10与VGG13实战 MNIST是机器学习最常用的数据集之一,但由于手写数字图片非常简单,并且MNIST数据集只保存了图片灰度信息,并不适合输入设计为RGB三通 ...
最新文章
- JUC并发编程五 并发架构--Monitor工作原理
- 36篇博文带你学完opencv :python3+opencv学习笔记汇总目录(基础版)
- 【剑指offer】面试题43:n个骰子的点数
- Ibatis查询条件对于特殊字符的处理方法
- frontcon函数用不了_C++复制构造函数与析构函数
- Linux磁盘管理2
- 各种设计模式对比及编程思想总结
- vue中使用setTimeout
- L2-026 小字辈-PAT团体程序设计天梯赛GPLT
- Mac 怎样安装虚拟机(VMware fusion 12)
- 服务器2008r2修改数据,win2008 R2服务器下修改MySQL 5.5数据库data目录的方法
- QQ小程序开发之 一些前期准备:预约开发账号、下载安装开发者工具、创建qq小程序
- 计算机cpu温度显示原理,电脑cpu温度怎么看
- 数据结构——拓扑排序算法理解和实现
- 计算机离港系统分为模块,计算机离港系统包括( )模块。
- 几个关于矩阵的定义 奇异值分解 谱分解
- STM32开发笔记106:解决ST-LINK的Old ST-LINK firmware/ST-LINK already usde问题
- heka 输出到mysql_Heka配置的详细介绍
- 黑苹果升级更新macOS 13 Ventura 问题整理
- 计算机故障代码0098,P0098故障码_P0098故障码是什么故障、排除方法、怎么消除_车主指南...