神经网络理论及应用实践 课件 7.2 Conv Layer_第1页
神经网络理论及应用实践 课件 7.2 Conv Layer_第2页
神经网络理论及应用实践 课件 7.2 Conv Layer_第3页
神经网络理论及应用实践 课件 7.2 Conv Layer_第4页
神经网络理论及应用实践 课件 7.2 Conv Layer_第5页
已阅读5页，还剩11页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

卷积神经网络：卷积层主讲人：张洁北京工商大学计算机与信息工程学院2026/10/11BTBU-CIE2本节提要卷积层功能概述卷积映射与传统人工神经元的类比分析卷积层基本CNN滤波器（卷积核）输入图像3通道输入图像输出结果滑动的卷积核2026/10/114卷积层卷积核：待训练的滤波器（filters），各滤波器维度在空间上适应输入图像数据。滤波器（卷积核）输入图像3通道4卷积：卷积核与局部图像区域的点乘运算e.g.5×5×3维度的点乘+1偏置62828卷积操作：以滑动的方式在图像的空间维度上进行，计算滤波器和图像邻域的点乘之和。输出结果：三维的空间矩阵，包含多个激活映射图（map），每个图是卷积层在图像各位置的响应。2026/10/115卷积操作每个不同的滤波器均可卷积出一个激活映射图2个5×5×3的滤波器卷积出2个激活映射图2026/10/116卷积操作假设采用6个5×5的滤波器，输出6个单独的激活映射图累积所有的激活映射图，即为维度28×28×6的新图像6个5×5的滤波器2026/10/117卷积操作卷积计算后跟随非线性激活函数，增强映射能力非线性激活2026/10/118卷积计算的神经元类比分析每个输出的三维立体神经元均为局部输入图像的转换映射各三维立体神经元与输入层的局部区域发生连接各三维立体神经元之间共享滤波器参数2026/10/119卷积计算的神经元类比分析卷积计算的感受野当处理高维度输入数据时，采用局部连接的方式。该种局部连接的空间维度是CNN的一个超参数——感受野（ReceptiveField），实质为滤波器的尺寸Note：感受野只是在长与宽的维度上，深度上保持和输入数据相通。ForExample:输入为[32323]维度的图像，感受野维度为5×5，则卷积层的各神经元的权重为5×5×3，共75个可训练参数+1个偏置参数。2026/10/1110卷积计算的神经元类比分析卷积计算的权值共享科学假设：一个滤波器在空间某个位置的滤波结果，在其他位置应同样适用图像意义:检测图像中的水平边缘所使用的滤波器应在图像各位置都使用图.同一水平边缘滤波器（探测器）在图像上多个局部区域的作用结果2026/10/1111卷积计算的神经元类比分析卷积计算的权值共享作用:控制卷积神经网络的待训练参数的数量，减小训练负担，减小模型过拟合风险。共享方式:在同一深度切片depthslice内共享滤波器的参数。深度内涵：正因为权值共享，各深度切片才以卷积核在输入图像数据上滑动（卷积）的计算形式进行。2026/10/1112卷积操作的几种类型扩张卷积（DilatedConvolution）一般卷积（GeneralConvolution）反卷积（TransposedConvolutions）2026/10/1113卷积操作Demo蓝色为输入层红色为卷积层绿色为输出层2026/10/1114多层卷积操作在图像识别上可视化2026/10/11BTBU-CIE15小结卷积层的功能卷积操作的过程卷积操作在神经元角度的类比分析致谢

人人文库> 全部分类> 教育资料 > 课件下载

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论