卷积神经网络(CNN)的发展经历了从早期简单结构到现代复杂深层网络的转变。以下是其发展的关键里程碑:
LeNet-5: 早期的卷积神经网络,由Yann LeCun在1998年提出,主要用于手写数字识别。它的成功展示了深度学习在图像识别领域的潜力。
AlexNet: 在2012年ImageNet挑战中大放异彩的网络,由Alex Krizhevsky等人开发。它的成功引起了对深度学习和卷积神经网络的广泛关注。
VGGNet: 由牛津大学的研究人员在2014年开发,其创新在于使用了小尺寸的卷积核,增加了网络的深度,展示了深度对网络性能的重要性。
GoogLeNet (Inception): 也是在2014年提出,引入了Inception模块,通过并行的不同尺寸卷积核和池化层提取特征,有效增加了网络的宽度和深度。
ResNet: 由微软研究院的研究人员在2015年提出,通过引入残差学习的概念,成功训练了超过1000层的深度神经网络,大大推动了深度学习的研究和应用。
卷积神经网络通过卷积层提取图像特征,卷积操作可以捕获图像的局部特征。在图像卷积时,根据定义,需要首先把卷积核上下左右翻转,但在实际操作中,由于卷积核通常是对称的,这一步骤可以被忽略。
填充是在矩阵的边界上添加一些值的操作,常用0或复制边界像素进行填充。这样做可以控制卷积操作后的输出大小。
步长定义了卷积核移动的间隔,步长为2意味着卷积核每次移动两个像素。
在处理彩色图像时,卷积操作会考虑RGB三个颜色通道。每个通道使用独立的卷积核,然后将结果相加,得到最终的特征图。
池化是另一种减少特征维度的操作。通过局部统计特征(如取局部平均或最大值)来减少数据的空间大小,同时保留重要信息。
在卷积神经网络中,前向传播涉及对输入图像进行一系列卷积、激活和池化操作,每一层都在前一层提取的特征基础上进一步提取高级特征。
误差反向传播算法用于训练卷积神经网络,通过计算损失函数相对于网络参数的梯度,并使用这些梯度更新参数。对于卷积层和池化层,梯度的计算涉及特定的公式。
卷积神经网络是深度学习中最成功的模型之一,特别是在图像处理和视觉识别任务中。理解其基本概念和学习算法对于深入研究和应用CNN至关重要。
LeNet-5网络是深度学习历史上的经典网络之一,由Yann LeCun等人在1998年提出,主要用于手写数字识别。其结构简单而高效,对后来的深度学习模型设计产生了深远影响。
LeNet-5网络主要由卷积层、池化层和全连接层组成,总共有7层(不包括输入层)。它的特点是采用了卷积操作来提取图像中的局部特征,通过池化层减少参数数量和计算量,最后通过全连接层完成分类任务。
PyTorch提供了方便的工具来实现LeNet-5网络:
import torch
from torch import nn
from d2l import torch as d2l
class Reshape(torch.nn.Module):
def forward(self, x):
return x.view(-1, 1, 28, 28)
net = torch.nn.Sequential(
Reshape(),
nn.Conv2d(1, 6, kernel_size=5, padding=2), nn.Sigmoid(),
nn.AvgPool2d(kernel_size=2, stride=2),
nn.Conv2d(6, 16, kernel_size=5), nn.Sigmoid(),
nn.AvgPool2d(kernel_size=2, stride=2),
nn.Flatten(),
nn.Linear(16 * 5 * 5, 120), nn.Sigmoid(),
nn.Linear(120, 84), nn.Sigmoid(),
nn.Linear(84, 10))
AlexNet是由Alex Krizhevsky等人在2012年提出的深度卷积神经网络。它在ImageNet LSVRC-2012竞赛中获得了第一名,大幅降低了错误率,标志着深度学习时代的到来。
AlexNet包含8层可学习的参数层,分别是5层卷积层和3层全连接层。网络引入了ReLU非线性激活、最大池化、丢弃(Dropout)和局部响应归一化等新颖技术,显著提高了训练的速度和准确率。
VGG-16是由牛津大学的视觉几何组(Visual Geometry Group)于2014年提出。该网络通过重复利用简单的3x3卷积核和2x2最大池化层,构建了深达16层的卷积神经网络。
VGG-16网络包含13个卷积层、3个全连接层和5个池化层。所有隐藏层都采用了ReLU激活函数。VGG-16的创新之处在于使用多个较小卷积核的卷积层代替大卷积核的卷积层,增加了网络的深度。
随着网络深度的增加,传统的深层网络容易出现梯度消失或梯度爆炸的问题,导致网络难以训练。残差网络通过引入残差块,允许数据直接从浅层传递到深层,有效缓解了这一问题。
残差块的关键思想是引入了跳跃连接(或称为捷径连接),使得网络可以学习到输入与输出的残差映射。理论上,这使得网络即使非常深也能有效地训练。
ResNet有多个版本,根据层数的不同分为ResNet-18, ResNet-34, ResNet-50, ResNet-101和ResNet-152等。其中,ResNet-50及以上模型采用了瓶颈结构,进一步增加了网络的深度和性能。
从AlexNet的突破、VGG-16的规范化设计,到ResNet的创新结构,这些基本卷积神经网络模型不仅推动了计算机视觉领域的发展,也为深度学习的研究提供了宝贵的经验和灵感。
在计算机视觉领域,有几个常用的数据集被广泛用于训练和测试各种算法。以下是其中一些最重要的数据集的介绍。
MNIST 数据集是机器学习领域最著名的数据集之一,包含了大量的手写数字图片。
CIFAR-10 和 CIFAR-100 是由加拿大的学者Alex Krizhevsky、Vinod Nair和Geoffrey Hinton收集的数据集。
CIFAR-10:
CIFAR-100:
ImageNet 数据集是目前深度学习领域最著名的数据集之一,由斯坦福大学教授李飞飞领导的团队开发。
COCO 数据集是一个新的图像识别、分割和图像语义数据集。
这些数据集为计算机视觉和深度学习的研究提供了丰富的资源,是评估和比较不同算法性能的重要基础。
文章浏览阅读1.6k次。安装配置gi、安装数据库软件、dbca建库见下:http://blog.csdn.net/kadwf123/article/details/784299611、检查集群节点及状态:[root@rac2 ~]# olsnodes -srac1 Activerac2 Activerac3 Activerac4 Active[root@rac2 ~]_12c查看crs状态
文章浏览阅读1.3w次,点赞45次,收藏99次。我个人用的是anaconda3的一个python集成环境,自带jupyter notebook,但在我打开jupyter notebook界面后,却找不到对应的虚拟环境,原来是jupyter notebook只是通用于下载anaconda时自带的环境,其他环境要想使用必须手动下载一些库:1.首先进入到自己创建的虚拟环境(pytorch是虚拟环境的名字)activate pytorch2.在该环境下下载这个库conda install ipykernelconda install nb__jupyter没有pytorch环境
文章浏览阅读5.2k次,点赞19次,收藏28次。选择scoop纯属意外,也是无奈,因为电脑用户被锁了管理员权限,所有exe安装程序都无法安装,只可以用绿色软件,最后被我发现scoop,省去了到处下载XXX绿色版的烦恼,当然scoop里需要管理员权限的软件也跟我无缘了(譬如everything)。推荐添加dorado这个bucket镜像,里面很多中文软件,但是部分国外的软件下载地址在github,可能无法下载。以上两个是官方bucket的国内镜像,所有软件建议优先从这里下载。上面可以看到很多bucket以及软件数。如果官网登陆不了可以试一下以下方式。_scoop-cn
文章浏览阅读4.5k次,点赞2次,收藏3次。首先要有一个color-picker组件 <el-color-picker v-model="headcolor"></el-color-picker>在data里面data() { return {headcolor: ’ #278add ’ //这里可以选择一个默认的颜色} }然后在你想要改变颜色的地方用v-bind绑定就好了,例如:这里的:sty..._vue el-color-picker
文章浏览阅读640次。基于芯片日益增长的问题,所以内核开发者们引入了新的方法,就是在内核中只保留函数,而数据则不包含,由用户(应用程序员)自己把数据按照规定的格式编写,并放在约定的地方,为了不占用过多的内存,还要求数据以根精简的方式编写。boot启动时,传参给内核,告诉内核设备树文件和kernel的位置,内核启动时根据地址去找到设备树文件,再利用专用的编译器去反编译dtb文件,将dtb还原成数据结构,以供驱动的函数去调用。firmware是三星的一个固件的设备信息,因为找不到固件,所以内核启动不成功。_exynos 4412 刷机
文章浏览阅读2w次,点赞24次,收藏42次。Linux系统配置jdkLinux学习教程,Linux入门教程(超详细)_linux配置jdk
文章浏览阅读3.3k次,点赞5次,收藏19次。xlabel('\delta');ylabel('AUC');具体符号的对照表参照下图:_matlab微米怎么输入
文章浏览阅读119次。顺序读写指的是按照文件中数据的顺序进行读取或写入。对于文本文件,可以使用fgets、fputs、fscanf、fprintf等函数进行顺序读写。在C语言中,对文件的操作通常涉及文件的打开、读写以及关闭。文件的打开使用fopen函数,而关闭则使用fclose函数。在C语言中,可以使用fread和fwrite函数进行二进制读写。 Biaoge 于2024-03-09 23:51发布 阅读量:7 ️文章类型:【 C语言程序设计 】在C语言中,用于打开文件的函数是____,用于关闭文件的函数是____。
文章浏览阅读3.4k次,点赞2次,收藏13次。跟随鼠标移动的粒子以grid(SOP)为partical(SOP)的资源模板,调整后连接【Geo组合+point spirit(MAT)】,在连接【feedback组合】适当调整。影响粒子动态的节点【metaball(SOP)+force(SOP)】添加mouse in(CHOP)鼠标位置到metaball的坐标,实现鼠标影响。..._touchdesigner怎么让一个模型跟着鼠标移动
文章浏览阅读178次。项目运行环境配置:Jdk1.8 + Tomcat7.0 + Mysql + HBuilderX(Webstorm也行)+ Eclispe(IntelliJ IDEA,Eclispe,MyEclispe,Sts都支持)。项目技术:Springboot + mybatis + Maven +mysql5.7或8.0+html+css+js等等组成,B/S模式 + Maven管理等等。环境需要1.运行环境:最好是java jdk 1.8,我们在这个平台上运行的。其他版本理论上也可以。_基于java技术的停车场管理系统实现与设计
文章浏览阅读3.5k次。前言对于MediaPlayer播放器的源码分析内容相对来说比较多,会从Java-&amp;gt;Jni-&amp;gt;C/C++慢慢分析,后面会慢慢更新。另外,博客只作为自己学习记录的一种方式,对于其他的不过多的评论。MediaPlayerDemopublic class MainActivity extends AppCompatActivity implements SurfaceHolder.Cal..._android多媒体播放源码分析 时序图
文章浏览阅读2.4k次,点赞41次,收藏13次。java 数据结构与算法 ——快速排序法_快速排序法