卷积

weixin_46846685

从Transformer到ViT与Swin详解2017年，Attention Is All You Need一文提出了Transformer架构，彻底改变了自然语言处理领域。2020年，Vision Transformer（ViT）将纯Transformer结构直接应用于图像分类，展示了Transformer在视觉任务中的巨大潜力。2021年，Swin Transformer引入了层级化设计和窗口注意力机制，使Transformer在多种视觉任务上全面超越CNN。

【从零开始大模型开发与微调:基于PyTorch与ChatGLM】(从退化问题到信息高速公路:ResNet残差网络实战拆解)随着卷积网络模型的成功,更深、更宽、更复杂的网络似乎成为卷积神经网络搭建的主流.卷积神经网络能够用来提取所侦测对象的低、中、高特征,网络的层数越多,意味着能够提取到不同等级的特征越丰富.通过还原镜像发现,越深的网络提取的特征越抽象,越具有语义信息.这也产生了一个非常大的疑问,是否可以单纯地通过增加神经网络模型的深度和宽度(增加更多的隐藏层和每个层中的神经元)来获得更好的结果?答案是不可能.因为根据实验发现,随着卷积神经网络层数的加深,出现了另一个问题,即在训练集上,准确率难以达到100%正确,甚至产生了下

【从零开始大模型开发与微调:基于PyTorch与ChatGLM】(基于PyTorch卷积层的MNIST分类实战:从卷积直觉到高效卷积设计)前面使用多层感知机完成了MNIST分类实战的演示.多层感知机是一种对目标数据进行整体分类的计算方法.虽然从演示效果来看,多层感知机可以较好地完成项目目标对数据进行完整分类,但是多层感知机会在模型中使用大规模的参数,同时,由于是对数据进行总体性的处理,从而无可避免地会忽略数据局部特征的处理和掌握,因此我们需要一种新的能够对输入数据的局部特征进行抽取和计算的工具.卷积神经网络是从信号处理衍生过来的一种对数字信号进行处理的方式,发展到图像信号处理上演变成一种专门用来处理具有矩阵特征的网络结构处理方式.卷积神经网

装不满的克莱因瓶

基于 Python 进行二维空间线性可分数据单/多层感知器实战目录一、前言二、什么是二维空间线性可分数据三、感知器的数学模型四、构造二维分类数据集五、数据可视化六、训练单层感知器

weixin_46846685

空洞卷积与膨胀卷积新手入门指南在处理高分辨率图像或需要捕捉大范围上下文信息的任务时，传统卷积神经网络往往显得力不从心。我们常常面临一个两难选择：要么通过堆叠更多层数来扩大感受野，导致参数量爆炸和梯度消失；要么使用池化操作下采样，却不可避免地丢失了宝贵的空间细节信息。特别是在语义分割、目标检测等密集预测任务中，如何在保持特征图分辨率的同时“看”得更远，成为了模型性能突破的关键瓶颈。

这张生成的图像能检测吗

（论文速读）TCN：序列建模不一定需要 RNN论文题目：An Empirical Evaluation of Generic Convolutional and Recurrent Networks for Sequence Modeling（用于序列建模的通用卷积和循环网络的经验评价）

Pillow 图像滤波、卷积与边缘处理图像滤波、卷积与边缘处理是数字图像处理中最常见的一类局部操作。与亮度、对比度等整体性调节不同，这类方法更关注像素邻域之间的关系，通过局部加权、平滑、锐化与差分运算，实现图像的模糊处理、细节增强与结构提取。

AI大模型-卷积神经网络-对卷积的理解1、为避免一学就会、一用就废，这里做下笔记 2、让高等数学没学好的人（如本学渣），也能彻底搞懂卷积是什么

感受野：两个3x3等于一个5x5定义：输出特征图上的一个元素，在输入图像上所对应的空间区域大小。理解：你站在一栋楼（网络）的顶楼（深层）透视往下看，只能看到地面（输入）的九块地砖，这些地砖就是你的感受野。

卷积运算全解析：从原理到MATLAB实现目录1.简介2.定义3.实例理解4.matlab代码实现5.参考资料本文主要记录了对卷积运算过程的理解，方便记忆并在日后中使用卷积。

心态与习惯

两个函数的卷积卷积是将两个函数生成第三个函数。记这两个函数为 fff 和 ggg，则它们的卷积 f∗gf*gf∗g 定义为

图像卷积OpenCV C/C++ 核心操作图像卷积是图像处理和计算机视觉领域最基本且最重要的操作之一。它通过一个称为卷积核（或滤波器）的小矩阵，在输入图像上滑动，并对核覆盖的图像区域执行元素对应相乘后求和的运算，从而生成输出图像的对应像素值。卷积可以用于实现模糊、锐化、边缘检测、降噪等多种效果。

終不似少年遊*

【从基础到模型网络】深度学习-语义分割-基础语义分割在深度学习与人工智能领域占据重要地位。它是计算机视觉的核心任务之一，能够将图像像素级地划分为不同语义类别，为理解图像内容提供关键支持。在自动驾驶中，可精准识别道路、车辆、行人等元素，保障行车安全；在医学影像分析中，能准确分割器官和病变区域，辅助疾病诊断。此外，它还广泛应用于机器人视觉、卫星图像分析等领域，推动人工智能向更精准、更智能的方向发展，是实现智能视觉感知的关键技术。

深度学习中的卷积和反卷积（一）——卷积的介绍卷积和反卷积是深度学习中常用的运算，常见于CNN、GAN等模型。卷积是一种数学运算，记为f,g的卷积连续的定义为

深度学习之超分辨率算法——SRCNN网络为基础卷积层tensorflow 1.14scipy 1.2.1numpy 1.16大概意思就是针对数据，我们先把图片按缩小因子照整数倍进行缩减为小图片，再针对小图片进行插值算法，获得还原后的低分辨率的图片作为标签。

6-1 从全连接层到卷积我们之前讨论的多层感知机十分适合处理表格数据，其中行对应样本，列对应特征。对于表格数据，我们寻找的模式可能涉及特征之间的交互，但是我们不能预先假设任何与特征交互相关的先验结构。此时，多层感知机可能是最好的选择，然而对于高维感知数据，这种缺少结构的网络可能会变得不实用。

04 卷积神经网络目录1. 基本概念1.1 卷积神经网络1.2 卷积1.3 汇聚（池化）2. CNN网络架构及参数学习2.1 网络架构

CoAtNet（NeurIPS 2023, Google）论文解读paper：CoAtNet: Marrying Convolution and Attention for All Data Sizes

西西弗Sisyphus

卷积层的输出flyfish在卷积神经网络中，卷积层的输出尺寸计算主要依赖于输入尺寸、卷积核尺寸、步幅（stride）和填充（padding）。

拉普拉斯变换与卷积前面描述卷积，本文由卷积引入拉普拉斯变换。拉普拉斯变换就是给傅里叶变换的 iωt 加了个实部，也可以反着理解，原函数乘以 e − β t e^{-\beta t} e−βt 再做傅里叶变换，本质上都是傅里叶变换的扩展。