当前位置：首页 > news >正文

怎样查看网站点击量搜索引擎网址有哪些

news 2025/9/24 20:08:41

怎样查看网站点击量,搜索引擎网址有哪些,找人做网站怕侵权,临沂河东区建设局网站文章目录CNN（卷积神经网络）详解1. 概述1.1 使用场景1.2 与传统网络的区别1.3 全连接的局限性2. 卷积层（Convolutional Layer）2.1 卷积计算过程2.2 卷积计算底层实现2.3 边缘填充2.4 步长Stride2.5 卷积参数共享3. 池化层&#xff…

文章目录

CNN（卷积神经网络）详解
- 1. 概述
- - 1.1 使用场景
  - 1.2 与传统网络的区别
  - 1.3 全连接的局限性
- 2. 卷积层（Convolutional Layer）
- - - 2.1 卷积计算过程
    - 2.2 卷积计算底层实现
    - 2.3 边缘填充
    - 2.4 步长Stride
    - 2.5 卷积参数共享
- 3. 池化层（Pooling Layer）
- - 3.1 概述
  - 3.2 池化层计算
- 4. 整体结构
- 5. 卷积知识扩展
- - 5.1 深度可分离卷积的思想
  - (1) Depthwise Convolution（逐通道卷积）
  - (2) Pointwise Convolution（逐点卷积）
  - (3) 总参数量
- 6. 感受野（Receptive Field）

CNN（卷积神经网络）详解

视觉处理三大任务：图像分类、目标检测、图像分割
上游：提取特征，CNN’
下游：分类、目标、分割等，具体的业务

1. 概述

卷积神经网络（CNN） 是深度学习在计算机视觉领域的突破性成果。在计算机领域，往往我们输入的图像都很大，使用全连接网络的话，计算的代价较高，另外图像也很难保留原有的特征，导致图像处理的准确率不高。
卷积神经网络（Convolutional Neural Network, CNN）是一种专门处理具有网格状态结构数据的深度学习模型。最初，CNN主要应用于计算视觉任务，但它的成功启发了在其他领域应用，如自然语言处理等。
卷积神经网络（Convolutional Neural Network）是含有卷积层的神经网络，卷积层的作用就是用来自动学习，提取图像的特征
CNN网络主要有三部分构成：卷积层、池化层和全连接层构成，其中卷积层负责提取图像中的局部特征；池化层用来大幅降低运算量并特征增强；全连接层类似神经网络的部分，用来输出想要的结果。

1.1 使用场景

在这里插入图片描述

1.2 与传统网络的区别

结构上区别：
-传统神经网络传统神经网络对输入数据的结果没有明确的处理要求，适用于线性数据，如结构化数据的分类任务
卷积神经网络每个神经元只与前一层的一部分神经元相连接，主要依赖局部连接、权重共享和池化操作。CNN主要用于处理具有空间结构的数据
参数共享与局部连接：
-传统神经网络每一层的每个神经元都会连接到上一层的所有神经元，这样会产生大量的参数，尤其在处理大规模数据时，计算开销巨大
CNN通过卷积层实现局部连接和参数共享。卷积操作让每个卷积核只关注输入数据的一部分区域，从而减少了模型参数的数量
提取特征方式：
传统神经网络特征提取完全依赖于输入特征的手工设计。特征工程质量直接影响模型的表现
CNN通过卷积层自动提取数据中的局部特征，从低级到高级逐步学习，不需要手动提取特征。
适用数据类型不同：
传统神经网络主要适用于结构化数据，如表格数据或时序数据，依赖于输入的特征空间
CNN主要用于图像、视屏、语音等具有空间结构或时序结构的数据。CNN能够自动学习数据中的空间层次结构特征，不需要手动提取特征
计算效率：
传统神经网络由于是全连接层，每一层都需要计算大量的连接权重，计算效率较低，尤其是处理图像数据时
CNN通过卷积操作局部连接，并且采用权重共享，大大减少了计算量
适用问题的不同：
传统神经网络适合处理不具备空间结构的数据
CNN特别适用于具有空间结构的数据（如图像、视频、音频），并且在图像识别、目标检测、语音识别等领域表现优异。

1.3 全连接的局限性

参数量过大，计算成本高，容易过拟合（惨数量庞大，模型容量过强，容易在小数据上过拟合，需要大量数据，正则化，早停等手段来缓解），无法捕捉局部特征，可解释性差，泛化能力不足，训练难度大
在这里插入图片描述

2. 卷积层（Convolutional Layer）

在这里插入图片描述

卷积操作：通过卷积核（滤波器）与输入数据进行卷积，提取特征。
- 卷积的本质是滑动窗口操作。
卷积层的作用：从输入数据中学习空间特征。通常，卷积层会逐渐学习从低级到高级的特征。
卷积核（滤波器）：
卷积核在卷积运算中是必不可少的，被用来提取图像中的特征。卷积核就是一个小“矩阵”，在定义时需要考虑以下几方面内容：
- 卷积核个数：卷积核（过滤器）的个数决定了其输出特征矩阵的通道数
- 卷积核的值：卷积核的值是初始化好的，后续进行更新
- 卷积核的大小：一般都是奇数，如：

2.1 卷积计算过程

卷积的过程是将卷积核在图像上进行滑动计算，每次滑动到一个新的位置时，卷积核和图像进行点对点的计算，并将其求和得到一个新的值，然后将这个新的值加入到特征图中，最终得到一个新的特征图。
在这里插入图片描述

input 表示输入的图像
filter 表示卷积核, 也叫做滤波器
input 经过 filter 的得到输出为最右侧的图像，该图叫做特征图

那么, 它是如何进行计算的呢？卷积运算本质上就是在滤波器和输入数据的局部区域间做点积。
在这里插入图片描述
左上角的点计算方法：

按照上面的计算方法可以得到最终的特征图为:
卷积的重要性在于它可以将图像中的特征与卷积核进行卷积操作，从而提取出图像中的特征。
可以通过不断调整卷积核的大小，卷积核的值和卷积操作的步长，可以提取出不同尺度和位置的特征。

2.2 卷积计算底层实现

并不是水平和垂直方向的循环
下图是卷积的基本运算方式：在这里插入图片描述
卷积真正的计算过程如下图：

2.3 边缘填充

Padding,通过上面的卷积计算，我们发现最终的特征图比原始图要小，如果想要保持图像大小不变，可在原图周围添加padding来实现
更重要的，边缘填充更好的保护了图像边缘数据的特征
在这里插入图片描述

2.4 步长Stride

按照步长为1来移动卷积核，计算特征图如下所示：
在这里插入图片描述

Stride 增大为2，也是可以提取特征图的，如下图所示：

在这里插入图片描述

stride太小：重复计算较多，计算量大，训练效率降低；
stride太大：会造成信息遗漏，无法有效提炼数据背后的特征；
特征图输出大小：
在这里插入图片描述

2.5 卷积参数共享

数据是 $32 \times 32 \times 3$ 的图像，用 $10$ 个 $5 \times 5$ 的filter来进行卷积操作，所需的权重参数有多少个呢？

$5 \times 5 \times 3 = 75$ ，表示每个卷积核只需要 $75$ 个参数。
10个不同的卷积核，就需要 $10 * 75 = 750$ 个卷积核参数。
如果还考虑偏置参数 $b$ ，最终需要 $750 + 10 = 760$ 个参数。
$全连接参数量： 10 * 28 * 28 * (32 * 32 * 3 + 1)$

3. 池化层（Pooling Layer）

3.1 概述

池化层(Pooling)降低空间维度，缩减模型大小，提高计算速度，即：主要对卷积层学习到的特征图进行下采样（SubSampling）处理

1. 最大池化 max pooling
最大池化是从每个局部区域中选择最大值作为池化后的值，这样可以保留局部区域中最显著的特征。最大池化在提取图像中的纹理、形状等方面具有很好的效果。
2. 平均池化 avgPooling
平均池化是将局部区域中的值取平均作为池化后的值，这样可以得到整体特征的平均值。平均池化在提取图像中的整体特征、减少噪声等方面具有较好的效果。

作用：减少空间维度（宽高），降低计算量，同时保留重要的特征。
池化操作通常是在每个卷积层后面进行，用于缩小输入的尺寸，提高特征的抽象级别。

3.2 池化层计算

整体结构：在这里插入图片描述
计算：
最大池化:

max(0, 1, 3, 4)
max(1, 2, 4, 5)
max(3, 4, 6, 7)
max(4, 5, 7, 8)

平均池化:

mean(0, 1, 3, 4)
mean(1, 2, 4, 5)
mean(3, 4, 6, 7)
mean(4, 5, 7, 8)

4. 整体结构

CNN 网络的典型结构：由多个卷积层、池化层交替堆叠，再接上若干全连接层（Fully Connected Layer）。
结构示意：
输入图像 → 卷积层 → 激活函数 → 池化层 → 卷积层 → 池化层 → 全连接层 → 输出。

5. 卷积知识扩展

卷积操作的数学原理：
卷积是数学中一种函数运算，用于提取图像局部特征。
- 数学表示：
  
  $Iout(x,y)=(I∗K)(x,y)=∑m∑nI(m,n)⋅K(x−m,y−n)I_{out}(x, y) = (I * K)(x, y) = \sum_m \sum_n I(m, n) \cdot K(x-m, y-n)$
  
  其中， $I$ 是输入图像， $K$ 是卷积核，* 表示卷积操作。
边缘检测与卷积：常用的卷积核如 Sobel、Prewitt 用于图像边缘检测。