深度学习系列（十）：从卷积计算到卷积神经网络CNN

最新推荐文章于 2026-05-16 07:15:03 发布
原创 最新推荐文章于 2026-05-16 07:15:03 发布 · 2.1w 阅读 · 138

前面已经介绍了深度学习的一个模型框架：自编码器，那么从本节后来再来简单介绍一下深度学习的另一个模型框架：卷积神经网络CNN，关于CNN可能大家听说过的不能在多了，网上资源众多，各路大神总结的也是无比完美，在这里就不在copy了，重要的地方直接直接贴出那些优秀的文章，这里旨在记录一下整个思路过程以及一些简单的认识以求完整。

首先贴一下网络上众多了讲解CNN的好资源吧：
（1）综述性的：

Deep Learning（深度学习）学习笔记整理系列之（七）

这篇推论非常好

CNN卷积神经网络推导和实现
一文读懂卷积神经网络

下面再简单总结下：
一）CNN来源
（1）来源1–需求需要
看过前面或者知道自编码器的可以发现，深层的自编码器其实已经可以实现类似于PCA甚至比PCA更好的特征提取了，而这个特征提取的过程也完全是机器自己完成的，我们根本不用管它具体提取的是什么特征，不像传统的设计特征提取（比如sift、hog等等人工设计的特征）那样，自编码的特征是自己找的，非常好。

但是我们也发现了一个问题，就是自编码网络其实和传统的神经网络差不多，不过深度多一点，但是本质上也是全连接的，就是下一层的每一个神经元与上一层的所有单元相连接着，像下面这个样子
这里写图片描述
我们知道前面我们处理的时手写体

标签
#深度学习 #神经网络 #网络
最低0.47元/天 解锁文章
深度学习基础笔记——卷积神经网络概念及其计算方式
MengYa_Dream的博客
08-15 1万+
卷积神经网络（Convolutional Neural Network，CNN） 卷积 卷积核 神经网络公式 卷积运算方式 补0（zero padding）池化（Pooling） 激活函数RelU (Rectified Linear Units) 全连接层(Fully connected layers) 标准卷积计算举例1 x 1 卷积计算举例 全连接层计算举例常见的几种卷积神经网络介绍 LeNet AlexNet VGGNet ResNet
【卷积神经网络的一些基本概念】
富贵的博客
08-25 1116
卷积神经网络的一些基本概念 超参数 学习率(Learning rate)：运用梯度下降算法进行优化时，在权重的更新规则中，梯度项前会乘以一个系数，这个系数就叫学习速率 α 。如果学习速率太小，则会使收敛太慢，无法找到损失函数最小值。如果学习率太大，则会导致损失函数大幅振荡，迭代过快，梯度下降法可能会略过最优解，甚至可能发散。 Epoch：所有的训练数据输入神经网络中， 完成一次前向计算 + 反向传播的过程就是一个Epoch。通常将所有数据迭代训练一次是不够的， 需要反复多次才能拟合、收敛。随着epoch
VASP计算进阶：磁性、SOC、HSE06和vdW-DF这些高级参数到底该怎么调？
最新发布
weixin_30415113的博客
05-16 734
本文深入探讨了VASP在密度泛函理论计算中的高级参数配置，包括磁性、SOC、HSE06和vdW-DF的精准调控策略。通过实战案例和参数优化技巧，帮助研究者提升第一性原理计算的精度与效率，解决复杂材料模拟中的常见问题。
卷积神经网络-学习率
2301_77698138的博客
09-25 2013
首先，需要明确一个或多个评估指标来衡量模型性能，如准确率（accuracy）、损失值（loss）等。在分类任务中，准确率是常用的评估指标；而在某些情况下，如果类别不平衡，可能需要使用其他指标如F1分数或精确率与召回率的组合。
卷积神经网络参数量和计算量的计算
weixin_46838716的博客
06-27 3590
1）卷积神经网络参数量和计算量的计算，需要清楚知道卷积怎么卷，卷积核的KSCO都是啥含义，K是卷积核大小，S是步长，C是通道，O输出通道 3）笔试求AC，可以不考虑空间复杂度，但是面试既要考虑时间复杂度最优，也要考虑空间复杂度最优。...
卷积神经网络CNN实战9
leva的博客
08-10 2288
深度学习超参数 1）学习率（Learning Rate） 学习率被定义为每次迭代中成本函数中最小化的量。也即下降到成本函数的最小值的 速率是学习率，它是可变的。从梯度下降算法的角度来说，通过选择合适的学习率，可以 使梯度下降法得到更好的性能。 一般常用的学习率有0.00001，0.0001，0.001，0.003，0.01，0.03，0.1，0.3，1，3，10 2）学习率调整策略 2.1 fixed固定策略，学习率始终是一个固定值。 2.2 step 均匀分步策略，如果设置为step,则还需要设置一个st
深度学习——卷积神经网络(CNN)
Xiao_Ya__的博客
06-01 2万+
深度学习——卷积神经网络(CNN)
卷积神经网络(CNN)
顺其自然~专栏
01-12 5万+
卷积神经网络是多层感知机(MLP)的变种，由生物学家休博尔和维瑟尔在早期关于猫视觉皮层的研究发展而来，视觉皮层的细胞存在一个复杂的构造，这些细胞对视觉输入空间的子区域非常敏感，称之为感受野。CNN由纽约大学的Yann Lecun于1998年提出(LeNet-5)，其本质是一个多层感知机，成功的原因在于其所采用的局部连接和权值共享的方式：一方面减少了权值的数量使得网络易于优化；另一方面降低了模型的复杂度、减小了过拟合的风险。当网络的输入为图像时，这些优点将表现地更加明显。
卷积神经网络(CNN)原理详解
热门推荐
qq_40716944的博客
03-21 6万+
这几年深度学习快速发展，在图像识别、语音识别、物体识别等各种场景上取得了巨大的成功，例如AlphaGo击败世界围棋冠军，iPhone X内置了人脸识别解锁功能等等，很多AI产品在世界上引起了很大的轰动。在这场深度学习革命中，卷积神经网络（Convolutional Neural Networks，简称CNN）是推动这一切爆发的主力，在目前人工智能的发展中有着非常重要的地位。 【问题来了】那什么是卷积神经网络（CNN）呢？ 1、什么是神经网络？ 这里的神经网络，也指人工神经网络（Artificial..
CNN卷积神经网络（超详解析）
weixin_44023658的博客
04-23 2万+
1、神经网络 首先了解神经网络，大家移步这俩篇博客，一篇为纯理论，一篇为实战加理论。 机器学习之神经网络学习及其模型 入门讲解：使用numpy实现简单的神经网络（BP算法） 2、卷积神经网络之层级结构 cs231n课程里给出了卷积神经网络各个层级结构，如下图 上图中CNN要做的事情是：给定一张图片，是车还是马未知，是什么车也未知，现在需要模型判断这张图片里具体是一个什么东西，总之输出一个结果：...
CNN卷积神经网络详解
qq_44815135的博客
02-04 3322
卷积神经网络（CNN）是一种深度学习模型，广泛应用于图像处理、语音识别、自然语言处理等领域。图像分类和识别：CNN在图像分类和识别方面的应用是最为广泛的。通过训练，CNN能够学习到从图像中提取特征的能力，从而实现对图像的分类和识别。例如，在人脸识别、物体检测、车牌识别等领域，CNN都取得了显著的效果。语音识别：CNN也可以应用于语音识别领域，通过对语音信号的卷积和池化处理，提取出语音的特征表示，从而实现对语音的分类和识别。
4. 卷积神经网络CNN
wujing1_1的博客
05-20 6794
4. 卷积神经网络CNN 文章链接 https://gitee.com/fakerlove/deep-learning 以算法区分深度学习应用，算法类别可分成三大类： 常用于影像数据进行分析处理的卷积神经网络(简称CNN) 文本分析或自然语言处理的递归神经网络(简称RNN) 常用于数据生成或非监督式学习应用的生成对抗网络(简称GAN) 资料参考 https://www.zybuluo.com/hanbingtao/note/485480 参考资料2 https://www.cnblogs.com/w
一文了解什么是——卷积神经网络CNN
WenJGo的博客
04-16 1万+
为什么还有人不会CNN啊？写这么详细你还不看呐QWQ
基于MATLAB深度学习工具箱的CNN卷积神经网络训练和测试
FPGA/MATLAB学习教程/源码/项目合作开发
06-14 1万+
MATLAB深度学习工具箱是MATLAB官方提供的一套深度学习工具，包括了多种深度学习模型和算法，可以方便地进行模型训练和测试。其中，CNN卷积神经网络是工具箱中的一个重要模型，可以用于图像分类、物体检测、语音识别等多个领域。深度学习工具箱的核心是神经网络模型的搭建和训练。用户可以通过编写MATLAB代码，定义网络结构、损失函数、优化器等参数，进行网络训练和测试。同时，工具箱也提供了许多预训练的模型和数据集，方便用户学习和实践。
大话卷积神经网络（CNN）
雪饼的博客
02-23 1万+
这几年深度学习快速发展，在图像识别、语音识别、物体识别等各种场景上取得了巨大的成功，例如AlphaGo击败世界围棋冠军，iPhone X内置了人脸识别解锁功能等等，很多AI产品在世界上引起了很大的轰动。在这场深度学习革命中，卷积神经网络（Convolutional Neural Networks，简称CNN）是推动这一切爆发的主力，在目前人工智能的发展中有着非常重要的地位。 【问...
【深度学习计算机视觉】08：区域卷积神经网络（R-CNN）系列
Morse_Chen的博客
09-29 1829
本文讲解深度学习计算机视觉中的区域卷积神经网络。R-CNN开创深度模型目标检测先河，Fast R-CNN改进共享计算，Faster R-CNN引入区域提议网络，Mask R-CNN基于Faster R-CNN，用兴趣区域对齐层提升像素级预测精度。
[Python人工智能] 十八.Keras搭建卷积神经网络及CNN原理详解
杨秀璋的专栏
02-19 1万+
从本专栏开始，作者正式研究Python深度学习、神经网络及人工智能相关知识。前一篇文章详细讲解了Keras实现分类学习，以MNIST数字图片为例进行讲解。本篇文章详细讲解了卷积神经网络CNN原理，并通过Keras编写CNN实现了MNIST分类学习案例。基础性文章，希望对您有所帮助！
CNN卷积神经网络
TGYAO的博客
06-08 5870
CNN，全称为卷积神经网络（Convolutional Neural Network），是一种用于处理具有网格结构数据（如图像、视频和音频）的前馈神经网络。它是深度学习领域中最常用的模型之一，尤其适用于计算机视觉任务。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值