cnn

有梦想的攻城狮

卷积神经网络（CNN）详解卷积神经网络（Convolutional Neural Network, CNN）是一种专门用于处理网格状数据（如图像、语音、视频）的深度学习模型。它的核心思想是通过局部连接和权值共享来有效提取数据的空间特征，同时大大减少模型参数。

深度学习的数学原理（十三）—— CNN实战在前两篇中，我们已完成CNN的底层原理铺垫——从二维卷积的数学定义、工程实现的互相关操作，到卷积层、池化层的反向传播梯度推导，再到PyTorch自动求导的验证，彻底摸清了CNN“前向计算特征、反向更新参数”的核心逻辑。本篇会先基于PyTorch实现LeNet风格的完整CNN，完成MNIST手写数字分类任务；再从数学本质剖析CNN的平移不变性、尺度不变性，解释其适配图像任务的核心原因；随后构建结构匹配的MLP作为对比组，量化对比两者的训练效果、参数数量，直观表现出CNN的优势。

使用DNN\LSTM\CNN进行时间序列预测本节我们将在上节构建的数据窗口的基础上，尝试使用基本的深度神经网络算法进行测试，预测未来24h的家庭用电量。整个过程包括： 1.数据准备 1）查看数据，计算缺失值数量 2）估算缺失值 3）数值类型转换 4）构建DataTime对象 5）按小时数据重采样 6）去掉不完整的小时数 2.特征工程 1）识别季节性 2）时间编码 3）缩放数据 3.划分数据按7：2：1划分数据集 4.为深度学习建模做准备 1）实现DataWindow类 2）定义compile_and_fit函数 3）创建列索引和列名字典 5.深度

【深度学习基础篇05】从AlexNet到ResNet：经典卷积神经网络的演进在掌握了卷积、池化、全连接等核心组件后，我们来学习两个里程碑式的经典网络：AlexNet 和 VGGNet。它们不仅在图像分类任务上取得了突破性成绩，更奠定了现代卷积神经网络的设计范式。本文将从 AlexNet 的四大创新点入手，再过渡到 VGGNet 的极简设计哲学。

【计算机视觉】基于Faster R-CNN的线段检测与分割实现线段检测作为计算机视觉领域的重要任务，在自动驾驶、工业检测和医学影像分析等场景中有着广泛应用。本文将详细介绍如何基于Faster R-CNN实现线段检测与分割，帮助读者掌握这一技术在实际项目中的应用。

【深度学习基础篇】手算卷积神经网络：13道经典题全解析（考研/面试必备）卷积神经网络是深度学习的核心，而手算卷积尺寸和参数量是理解其原理的第一步。本文整理了13道经典手算题，先给出题目供读者自测，再提供详细解答和关键公式总结，帮助大家彻底掌握卷积计算。

深度学习的数学原理（十二）—— CNN的反向传播在上一篇文章中，我们系统讲解了二维卷积的数学定义、CNN工程实现的互相关操作，通过NumPy手动实现了卷积层前向传播，也可视化了卷积核的特征提取过程，同时对比MLP明确了CNN局部连接、参数共享的核心优势。但CNN的训练核心，仍离不开反向传播的链式求导逻辑——与MLP一致，CNN通过前向传播计算特征与损失，再通过反向传播回传梯度、更新参数（卷积核权重、偏置），最终实现特征学习的优化。

深度学习的数学原理（十一）—— CNN：二维卷积的数学本质与图像特征提取在前文的内容中，我们从一元线性回归的梯度下降原理出发，逐步推导了多元线性回归的矩阵表达与优化逻辑，拆解了反向传播的链式求导核心，解决了梯度消失/爆炸的激活函数优化问题，也讲解了从SGD到Adam的优化器演进思路，还通过正则化从数学层面解决了模型过拟合的核心困境，最终让多层感知机（MLP）实现了从线性拟合到非线性特征学习的跨越，也明确了反向传播+损失函数引导权重差异化更新，形成特征分工的底层规律。

深度学习系列（一）：经典卷积神经网络（LeNet）我想关于深度学习、卷积神经网络、循环神经网络、注意力机制、大语言模型等各种术语是什么以及其原理的讲解已经有很多了，我也不可能讲述的比他们好，那么，我又为什么想要写这个呢，我可能更多的是倾向于将代码与数学公式进行互相映照，并且记录一些经验，方便在自身需要时能够快速查验。

【深度学习】基于Mask R-CNN的帽子佩戴检测与分类详解（附改进模型+源码）HATS数据集是一个专注于帽子佩戴检测与分类的计算机视觉数据集，采用YOLOv8格式标注，共包含1231张图像。该数据集由qunshankj平台提供，遵循CC BY 4.0许可证协议。数据集包含8个类别：‘TimothyBryant’、‘beanie’、‘cowboy’、‘crown’、‘hardhat’、‘hat’、‘head’和’helmet’，涵盖了多种帽子类型及人物头部识别。每张图像均经过预处理，包括自动方向校正（去除EXIF方向信息）和拉伸至416x4416像素尺寸。为增强数据多样性，数据集应用

程序员爱德华

卷积神经网络 CNN1.卷积的作用：利用卷积核，可以改变输入信号。通过调整卷积核，可以达到特定的信号改变的效果。高通滤波，低通滤波（例如音响设备的频响特性）傅里叶变换和卷积存在数学上的对应关系，利用这个关系可以构造具备期望频率滤波特性的卷积核。

Mask R-CNN实现植物存在性检测与分类详解_基于R50-FPN-GRoIE_1x_COCO模型分析Mask R-CNN是一种强大的实例分割算法，它在目标检测的基础上增加了像素级分割的能力。本文将详细介绍如何使用Mask R-CNN实现植物的存在性检测与分类，特别基于R50-FPN-GRoIE_1x_COCO模型进行分析。

用大白话讲解人工智能(7) 卷积神经网络（CNN）：AI怎么“看懂“图片想象你在玩一幅1000片的猫咪拼图。如果直接把所有碎片倒在桌上，你肯定一脸懵。但聪明的做法是：这就是CNN（Convolutional Neural Network，卷积神经网络）“看图片"的方法——不是一次性看全图，而是分层提取局部特征，再组合成整体理解。和传统神经网络相比，CNN就像给AI戴上了"老花镜”，能聚焦关键细节，忽略无关噪点。

小李独爱秋

机器学习与深度学习实验项目3 卷积神经网络实现图片分类1）掌握在MindSpore中构建、训练卷积神经网络的方法2）理解卷积神经网络在图像分类任务中的应用原理

内窥镜设备部件检测与识别——基于Mask R-CNN的改进模型训练与实现在医疗影像领域，内窥镜检查是诊断消化道疾病的重要手段。随着人工智能技术的发展，基于深度学习的内窥镜图像自动检测与识别系统正逐渐成为临床辅助诊断的有力工具。本文将详细介绍一种基于改进Mask R-CNN的内窥镜设备部件检测与识别方法，通过多方面的算法优化，实现了对内窥镜图像中各类部件的高精度检测与分割。

实现变分自编码器 VAE- MNIST 数据集

民乐团扒谱机

【读论文】深度学习中的卷积算术指南 A guide to convolution arithmetic for deep learning本指南的作者感谢大卫·沃德-法利、纪尧姆·阿兰和贾拉尔·居尔切雷提供的宝贵反馈。同时，也感谢所有通过有益的评论、建设性的批评和代码贡献帮助完善本教程的读者，期待大家继续提出建议！

汇川H3U实用程序框架：工程实战与跨品牌借鉴汇川H3U的一个比较完整的程序框架，已经用于实际的工程中。汇川的PLC还是性价比挺高，特别是对于伺服的总线。汇川主打的伺服控制是CANLINK总线。这个例子有4个总线伺服轴，用的是轴控指令，还有PID指令的控制。还有3个步进，用的是DDRVI、DDRVA来控制程序写的条理分明，清晰易懂，注释清楚，对于初次使用汇川的总线控制有很好的参考价值，。气缸的控制宝库伸出、缩回、报警轴的控制是分为通讯、READY、使能、JOG、绝对定位、压合、报警、故障复位、停止、急停、回原、点位示教、初始速度赋值等

人员跌倒检测系统：基于Faster R-CNN的改进模型实现与优化_1在智能安防和老年人监护领域，人员跌倒检测系统扮演着至关重要的角色。传统的跌倒检测方法主要依赖于加速度计或压力传感器等硬件设备，但这些方法往往存在安装复杂、成本高昂以及检测精度有限等问题。随着计算机视觉技术的发展，基于深度学习的跌倒检测方法逐渐成为研究热点，它们能够通过分析视频序列自动检测人员跌倒事件，具有非接触、安装简便和检测精度高等优势。

PyTorch实现卷积神经网络（CNN）卷积神经网络（CNN）最经典、最基础的组成方式是：输入 → 【卷积层 + 激活函数 + 池化层】 × 多次重复 → 分类 / 回归输出