深度学习基础笔记——卷积神经网络概念及其计算方式

最新推荐文章于 2025-07-08 16:16:53 发布

MengYa_DreamZ

最新推荐文章于 2025-07-08 16:16:53 发布

阅读量1.6w

点赞数 23

CC 4.0 BY-SA版权

分类专栏：【深度学习笔记】文章标签：卷积神经网络深度学习卷积

本文链接：https://blog.csdn.net/MengYa_Dream/article/details/119709726

本文详细介绍了卷积神经网络（CNN）的基础知识，包括卷积、滤波器、步长、填充、池化、ReLU激活函数、全连接层及其计算细节。还探讨了AlexNet、VGGNet和ResNet等经典模型的特点和结构，展示了如何通过这些技术处理图像特征并进行分类。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

相关申明及相关参考：笔记仅作学习参考

此部分前阶段学习的，因此部分出入有所纰漏，如有侵权，请联系删除。

卷积神经网络（Convolutional Neural Network，CNN）

卷积

卷积核（滤波器，convolution kernel）

激活函数RelU (Rectified Linear Units)

全连接层(Fully connected layers)

卷积神经网络（Convolutional Neural Network，CNN）

卷积

神经网络不再对每个像素信息做处理，而是对图片每一小块像素区域做处理，这种做法加强了信息的连续性。神经网络能够看到一个图形而不是一个点，同时加深神经网络对图片的理解。

具体：批量过滤器在图片上滚动收集图片上的信息，每一次收集的都是像素区域，再整理总结，再滚动收集……

Eg.图像拥有长宽高，其中高表示图片的颜色信息黑白高度1 彩色高度3

批量过滤器，每次长宽压缩，高度增加，对输入图片更深的理解

convolution卷积层：主要作用是保留图片的特征

pooling池化层：主要作用是把数据降维，可以有效的避免过拟合

Full connected 全连接层：根据不同任务输出我们想要的结果

classifier 分类预测

卷积核（滤波器，convolution kernel）

是可以用来提取特征的图像和卷积核卷积，就可以得到特征值，就是destination value特征提取。

卷积核放在神经网络里，就代表对应的权重（weight)

卷积核和图像点乘（dot product),就代表卷积核里的权重单独对相应位置的Pixel作用

这里强调点乘，虽说称为卷积，实际上是位置一一对应的点乘，不是真正意义的卷积:比如图像位置（1,1）乘以卷积核位置（1,1），仔细观察图右上角。

点乘完所有结果加起来=所有作用效果叠加起来。

神经网络公式 $output=\sum_{i}^{}w_{i}x_{i}+b$

卷积运算方式及各部分介绍

从左到右，每隔x列Pixel，向右移动一次卷积核进行卷积,当已经到最右,从上到下，每隔x行pixel，向下移动一次卷积核，移动完成，再继续如上所述，即先从左到右，再从上到下，直到所有pixels都被卷积核过一遍，则完成输入图片的第一层卷积层的特征提取。

这里的x叫作stride,就是步长，如果x = 2,就是相当每隔两行或者两列进行卷积。

补0（zero padding）

分量的pixel外面围一圈0，称之为补0（zero padding），同样是stride x=1的情况下，补0比原来没有添0的情况下进行卷积，从左到右，从上到下都多赚了2次卷积，这样第一层卷积层输出的特征图（feature map）仍然为5x5，和输入图片的大小一致，而没有添0的第一层卷积层输出特征图大小为3x3。