tensorflow中cnn在图像处理中怎么变化的…

2025年03月25日 13:26

有1个网友回答

网友（1）：

卷积神经网络（convolutional neural network, CNN），最早是19世纪60年代，生物学家对猫视觉皮层研究发现：每个视觉神经元只会处理一小块区域是视觉图像，即感受野。后来到了80年代，日本科学家提出了神经认知机（Neocognitron）的概念，也可以算作是卷积神经网络最初的实现原型，在CS231n的课上说过，卷积神经网络不是一夜产生的，从这个发展过程中我们就可以看出，确实是这样的。卷积神经网络的要点就是局部连接（Local Connection）、权值共享（Weight sharing）和池化层（Pooling）中的降采样（Down-Sampling）。
比如下面是tensorflow卷积定义 relu(W*X+B) W 矩阵 * X矩阵 + B矩阵 = W 权重variable变量 * X (placeholder占位符外部输入)variable变量 + B偏重变量，因为深度学习会自动不断地计算loss损失 BP 来调整 w b 所以 w b初始化可以随便全部都是0 都行，所以其实就是 X 以及 Y 对于 X来说其实我们知道就是我们图像数据 Y 是图像的标签，但是Y需要转为数学可以计算的值，所以采用one-hot 数组记录标签的索引就行，比如 xx1 xx2 xx3 相应的y1=[1,0,0] y2=[0 1 0] y3=[0 0 1]
那么其实就是 X 图像的像素通过外部输入 placeholder占位符 Y值外部输入通过 placeholder占位符
我们知道 W*X 矩阵相乘必须符合 MXN NXM =MXM 也就是说W的列必须与 X的行数目相同这是要注意的，所以上一张shape来规范维度计算，下面是一个卷积层定义 relu(wx+b) 下面是tensorflow来表示relu(wx+b)的公式
其中要注意参数 strides 是卷积滑动的步长你可以配置更多的系数，
下面继续讲X [None ,w*h] 对于每一个 w*h 是一个矩阵每一层的w 也是一个矩阵每一层的 b也是一个矩阵，每一层的输出y1 也是一个矩阵 y=[w*h]*w+b 为了减少系数，我们使用卷积，把它转换成MXN的值，这里就是跟全连接层的不同，使用了卷积转换成了一个MXN的卷积特征而全连接层就是 y=wx+b (这里省略了那些relu(wx+b) tanh(wx+b))
所以我们现在来看看每一层的w 定义
因为卷积层的w是需要与 w*h 提取的MXK来做矩阵相乘所以他是跟卷积核相关以及输入输出相关，对于每一张图像

最新问答

怎样绕制电焊机一次调档线圈? 约5KW电焊机不考虑铁芯，一次、二次线圈如何计算？

联想x1 carbon 超级本无法开机，当我按开机键尝试开机的时候，电脑没有反应，开机键不断的闪绿

从首都国际机场到建外SOHO怎么走