← 返回刚才阅读的位置

知识卡片

结构图卡 · 9424 · 生成模型:Tencent Hunyuan Hy

CNN 的图像基础与分层架构

理解等级:初级

CNN 与深度前馈网络同属神经网络,同样用可学习权重逐层构建、通过反向传播误差训练,差别只在神经元的连接方式。它面向图像,利用两个独特特点减少神经元数量:其一,图像是宽、高、通道构成的三维体积,卷积层据此以三维体积而非一维向量输入输出;其二,邻域像素取值彼此相关,CNN 用过滤器实现本地连接。输入层以(批大小,宽度,高度,通道)保留这种三维结构,例如 64 张 32×32 RGB 图为 (64, 32, 32, 3)。随后数据依次经过卷积层提取特征、最大池化层压缩宽高、全连接层分类。各层见 [[过滤器、本地连接与参数共享]]、[[最大池化层]]、[[全连接层与展开]]。

结构图:

flowchart TD
    A["输入层 (批,宽,高,通道)"] --> B["卷积层: 过滤器提取特征"]
    B --> C["最大池化层: 降宽高"]
    C --> D["重复 卷积+池化 堆叠"]
    D --> E["展平 Flatten"]
    E --> F["全连接层 1024/512/256"]
    F --> G["输出层 softmax+交叉熵"]
这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    • CNN 架构 CNN 的架构与各层 · 查看原书依据

      CNN 当然是像深度前馈网络一样的神经网络。 CNN 以可学习的权重逐层构建,并且像任何典型的深度学习网络一样受到训练:通过最小化成本函数和反向传播误差。 区别在于神经元的连接方式。 CNN 旨在处理图像。 图像数据具有 CNN 用来减少神经元数量并获得更好学习的两个独特特点:

    参考来源

    - 位置:《Python深度学习架构实用指南(初译)》第04章《CNN 架构》(源文件:`../../book-sources/extracted/Python深度学习架构实用指南(初译)/_epub-src/OEBPS/Text/08.html`,来源项目 a19c7933-4eda-4176-aebd-30fe7e1ad292) - 结论依据:原文明确 CNN 与深度前馈网络的差别在连接方式,并列出图像的两个独特特点与输入层形状,支撑其分层处理三维体积的结论。 - 原始内容:CNN 当然是像深度前馈网络一样的神经网络。 CNN 以可学习的权重逐层构建,并且像任何典型的深度学习网络一样受到训练:通过最小化成本函数和反向传播误差。 区别在于神经元的连接方式。 CNN 旨在处理图像。 图像数据具有 CNN 用来减少神经元数量并获得更好学习的两个独特特点: