什么是卷积
先将一个函数反转，然后滑动叠加
最容易理解的对卷积(convolution)的解释_bitcarmanlee的博客-CSDN博客_卷积
这篇文章可以深入理解下卷积
卷积操作
步长：卷积核移动的步长
其他卷积
转置卷积/反卷积
空洞卷积
空洞卷积可以增大感受野,但是可以不改变图像输出特征图的尺寸
我想说下自己白痴理解
扩张率这个东西，对比上面3个图，b相比于a，想像下左上角第一个是一个棋子，走到中间位置需要走两步，并不是一步可以走到，c图就是走了3步，扩张率就是走的步数，不知道这样说是否合适
上面三个图同样是3*3卷积，却发挥了5*5 7*7卷积的同样作用
吃透空洞卷积(Dilated Convolutions)_程序客栈（@qq704783475）-CSDN博客_膨胀卷积和空洞卷积
卷积神经网络
卷积神经网络包含卷积层、激活函数、池化层、全连接层、输出层
特征图
浅层卷积层：提取图像基本特征，如边缘、方向和纹理
深层卷积层：提取图像高阶特征，出现了高层语义模式
特征映射
一幅图在经过卷积操作后得到结果为feature
池化层：使用某位置相邻输出的总体特征作为该位置的输出，常用的池化操作优最大池化和均值池化
池化层作用
减少参数，防止过拟合
增强网络对输入图片的小变形、扭曲、平移的鲁棒性
帮助获得不因尺寸改变的等效图片表征
全连接层：
对卷积层和池化层输出的特征图进行降维
输出层：分类问题sofxmax函数
回归问题：线性函数
经典卷积神经网络
VGG、Lenet
resnet、Alexnet、Inception NET
LeNet-5（未完全理解），后续继续更新自己理解
输入层：输入图像尺寸归一化为32*32
C1层-卷积层：
S2池化层
C3卷积层
S4池化层
C5卷积层
F6全连接层
输出层全连接层
vggNET(参考pytorch深度学习电子书实现)
https://blog.csdn.net/weixin_44791964/article/details/102585038?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522163799975316780255242987%2522%252C%2522scm%2522%253A%252220140713.130102334.pc%255Fall.%2522%257D&request_id=163799975316780255242987&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2~all~first_rank_ecpm_v1~rank_v31_ecpm-1-102585038.pc_search_result_cache&utm_term=vgg16&spm=1018.2226.3001.4187#了解VGG并实现
class VGG(nn.Module):
def __init__(self):
super(VGG,self).__init__()
self.features = nn.Sequential(
nn.Conv2d(3,64,kernel_size=3,padding=1)
nn.ReLU(True)
nn.Conv2d(64,64,kernel_size=3,padding=1)
nn.ReLU(True)
nn.MaxPool2d(kernel_size=2,stride=2)
nn.Conv2d(64,128,kernel_size=3,padding=1)
nn.ReLU(True)
nn.Conv2d(128,128,kernel_size=3,padding=1)
nn.ReLU(True)
nn.MaxPool2d(kernel_size=3,stride=2)
nn.Conv2d(128,256,kernel_size=3,padding=1)
nn.ReLU(True)
nn.Conv2d(256,256,kernel_size=3,padding=1)
nn.ReLU(True)
nn.MaxPool2d(kernel_size=2,stride=2)
nn.Conv2d(256,256,kernel_size=3,padding=1)
nn.ReLU(True)
nn.MaxPool2d(kernel_size=2,stride=2)
nn.Conv2d(128,512,kernel_size=3,padding=1)
nn.ReLU(True)
nn.Conv2d(512,512,kernel_size=3,padding=1)
nn.ReLU(True)
nn.Conv2d(512,512,kernel_size=3,padding=1)
nn.ReLU(True)
nn.MaxPool2d(kernel_size=2,stride=2)
nn.Conv2d(512,512,kernel_size=3,padding=1)
nn.ReLU(True)
nn.Conv2d(512,512,kernel_size=3,padding=1)
nn.ReLU(True)
nn.Conv2d(512,512,kernel_size=3,padding=1)
nn.ReLU(True)
nn.MaxPool2d(kernel_size=2,stride=2)
self.classifier = nn.Sequnential(
nn.Linear(512*7*7,4096),
nn.ReLU(True),
nn.Dropout(),
nn.Linear(4096,4096),
nn.ReLU(True),
nn.Dropout(),
nn.Linear(4096,num_classes),)
self._initialize_weight()
def forwars(self,x):
x= self.features(x)
x= x.view(x.size(0),-1)
x= self.classifier(x)innception Module
Resnet
resnet核心是残差块残差块可以视作标准神经网路添加了跳跃连接
目前还在继续学习
参考
https://github.com/datawhalechina/unusual-deep-learning/blob/main/docs/5.CNN.md