深度学习13-cnn介绍(卷积神经网络简介)

文章目录

1.CNN解决了什么问题？
2.CNN基本原理
- 1）卷积层
- 2）tf自带的2D卷积层
- 3）动手实现卷积层
- - Numpy版本
  - tf2.0版本
- 4）池化层
- 5）动手实现池化层
- - tf自带的MaxPool2D
  - Numpy版本池化层
  - tf版本池化层
- 6）全连接层
3.常用CNN架构
4.CNN有哪些实际应用
5.总结

1.CNN解决了什么问题？

2.CNN基本原理

1）卷积层

卷积层的前向传播以及计算公式

图片:7*7*3
通道:3个输入通道
卷积核

输出通道高度:（5 - 3 + 2) / 2 + 1 = 3
输出通道宽度:(5 - 3 + 2 ) / 2 + 1 = 3

2）tf自带的2D卷积层

3）动手实现卷积层

Numpy版本

import numpy as npdef conv_numpy(x,w,b,pad,strides):# x表示输入张量，w表示卷积核，b表示偏置，pad表示填充，strides表示步长out = None N,H.W,C = x.shapeF,HH,WW,C = w.shapeX = np.pad(x,((0,0),(pad,pad),(pad,pad),(0,0)),'constant')# 计算输出张量的高度与宽度Hn = 1 + int((H + 2 * pad - HH) / strides[0])Wn = 1 + int((W + 2 * pad - WW) / strides[1])out = np.zeros((N,Hn,Wn,F))for n in range(N):for m in range(F):for i in range(Hn):for j in range(Wn):data = X[n,i * strides[0] : i * strides[0] + HH,j * strides[1] : j * strides[1] + WW, :].reshape(1,-1)  # 行filt = w[m].reshape(-1,1)     # 列out[n,i,j,m] = data.dot(filt) + b(m)return out

tf2.0版本

def corr2d(x,w,b,pad,strides):# x表示输入张量，w表示卷积核，b表示偏置，pad表示填充，strides表示步长out = None N,H.W,C = tf.shape(x)F,HH,WW,C = tf.shape(w)X = tf.pad(x,((0,0),(pad,pad),(pad,pad),(0,0)),'constant')# 计算输出张量的高度与宽度Hn = 1 + int((H + 2 * pad - HH) / strides[0])Wn = 1 + int((W + 2 * pad - WW) / strides[1])Y = tf.Variable(tf.zeros((N,Hn,Wn,F),dtype = tf.float32))for m in range(F):for i in range(Hn):for j in range(Wn):data = X[:,i * strides[0] : i * 1 + HH,j * strides[1] : j * 1 + WW, :]filt = w[m,:,:,:]Y[:,i,j,m].assign(tf.reducr_sum(tf.multiply(data,filt),axis=(1,2,3)) + b[m])return Y

4）池化层

5）动手实现池化层

tf自带的MaxPool2D

Numpy版本池化层

def max_pool_forward_native(x,pool_size=(2,2),strides=(1,1)):N,H,W,C = x.shapeh_p,w_p = pool_sizeh_s,w_s = stridesHn = 1 + int((H - h_p) / h_s)Wn = 1 + ins((W - w_p) / w_s)out = np.zeros((N,Hn,Wn,C))for i in range(Hn):for j in range(Wn):out[:,i,j,:] = np.max(x[:.i*h_s : i*h_s+h_p, j*w_s： j*w_s+w_p,:],axis=(1,2))return out

tf版本池化层

def pool2d(X, pool_size=(2,2),strides=(1,1)):N,H,W,C = tf.shape(X)p_h,p_w = pool_sizes_h,s_w = stridesY = tf.zeros((N,(H - p_h + 1) // s_h, （W - p_w + 1）// s_w ,C))Y = tf.Variable(Y)for i in tf.range(tf.shape(Y)[1]):for j on tf.range(tf.shape(Y)[2]):Y[:,i,j,:].assign(tf.math.reduce_max(X[:,i*s_h : i*s_h+p_h, j*s_w : j*s_w+p_w,:],axis=(1,2),keepdims=Flase))return Y

6）全连接层

3.常用CNN架构

4.CNN有哪些实际应用

5.总结

深度学习13-cnn介绍(卷积神经网络简介)相关推荐

花书+吴恩达深度学习（十三）卷积神经网络 CNN 之运算过程（前向传播、反向传播）
目录 0. 前言 1. 单层卷积网络 2. 各参数维度 3. CNN 前向传播反向传播如果这篇文章对你有一点小小的帮助,请给个关注,点个赞喔~我会非常开心的~ 花书+吴恩达深度学习(十)卷积神经网络 ...
学习笔记：深度学习（3）——卷积神经网络（CNN）理论篇
学习时间:2022.04.10~2022.04.12 文章目录 3. 卷积神经网络CNN 3.1 卷积神经网络的概念 3.1.1 什么是CNN? 3.1.2 为什么要用CNN? 3.1.3 人类的视觉 ...
深度学习时间序列预测：卷积神经网络（CNN）算法构建单变量时间序列预测模型预测空气质量（PM2.5）+代码实战
深度学习时间序列预测:卷积神经网络(CNN)算法构建单变量时间序列预测模型预测空气质量(PM2.5)+代码实战神经网络(neual networks)是人工智能研究领域的一部分,当前最流行的神经网络 ...
花书+吴恩达深度学习（十一）卷积神经网络 CNN 之池化层
目录 0. 前言 1. 最大池化(max pooling) 2. 平移不变形 3. 其他池化函数 4. 卷积和池化作为一种无限强的先验如果这篇文章对你有一点小小的帮助,请给个关注,点个赞喔~我会非常 ...
花书+吴恩达深度学习（十）卷积神经网络 CNN 之卷积层
目录 0. 前言 1. 2D 图像卷积 2. 3D 图像卷积 3. 过滤器(核函数) 4. 过滤器应用于边缘检测 5. padding 填充 6. stride 步长 7. 使用卷积的动机 8. 1乘 ...
深度学习笔记其五：卷积神经网络和PYTORCH
深度学习笔记其五:卷积神经网络和PYTORCH 1. 从全连接层到卷积 1.1 不变性 1.2 多层感知机的限制 1.2.1 平移不变性 1.2.2 局部性 1.3 卷积 1.4 "沃尔多在 ...
深度学习实战3-文本卷积神经网络（TextCNN）新闻文本分类
文章目录一.前期工作 1. 设置GPU 2. 导入预处理词库类二.导入预处理词库类三.参数设定四.创建模型五.训练模型函数六.测试模型函数七.训练模型与预测今天给大家带来一个简单的中文 ...
图像处理神经网络python_深度学习使用Python进行卷积神经网络的图像分类教程
深度学习使用Python进行卷积神经网络的图像分类教程好的,这次我将使用python编写如何使用卷积神经网络(CNN)进行图像分类.我希望你事先已经阅读并理解了卷积神经网络(CNN)的基本概念,这里 ...
【深度学习】Tensorflow搭建卷积神经网络实现情绪识别
[深度学习]Tensorflow搭建卷积神经网络实现情绪识别文章目录 1 Tensorflow的基本使用方法1.1 计算图1.2 Feed1.3 Fetch1.4 其他解释 2 训练一个Tensor ...
【深度学习】深入理解卷积神经网络(CNN)
CNN Author:louwill From:深度学习笔记本文将为大家介绍一种用途更为广泛.性能更加优越的神经网络结构--卷积神经网络(Convolutional Neural Network, ...

深度学习13-cnn介绍(卷积神经网络简介)

文章目录

1.CNN解决了什么问题？

2.CNN基本原理

1）卷积层

2）tf自带的2D卷积层

3）动手实现卷积层

Numpy版本

tf2.0版本

4）池化层

5）动手实现池化层

tf自带的MaxPool2D

Numpy版本池化层

tf版本池化层

6）全连接层

3.常用CNN架构

4.CNN有哪些实际应用

5.总结

深度学习13-cnn介绍(卷积神经网络简介)相关推荐

最新文章

热门文章