卷积神经网络

枯木逢秋࿐

卷积神经网络的认知卷积层：本质是一个局部特征提取器。不管数据是二维（图像）、一维（文本、音频）还是三维（视频、分子结构），它都能高效地提取其局部相关性。

VGGNet (2014)（卷积神经网络）VGGNet 主要探索一个核心问题：卷积神经网络的深度对其识别准确率有何影响？python论文提出了6种不同的网络配置：

快速上手大模型：深度学习7（实践：卷积层）核心是将输入图像X中所有像素与每个输出像素相连，MLP思想。式中表示隐藏层中位置(i,j)处的像素，表示输入图像(k,l)处的像素，

卷积神经网络（CNN）全面解析带着问题阅读： ① 卷积神经网络是干什么用的？ ② 它的基本流程是什么？ ③ 每个流程的作用是什么？ ④ 它的具体计算过程是什么样的？ ⑤ 典型应用场景有哪些？

解析平面卷积/pytorch的nn.Conv2d的计算步骤，in_channels与out_channels如何计算而来具体详细步骤如图详细说明其中各方法含义

通过神经网络手搓一个带finetune功能的手写数字识别来学习“深度神经网络”在“企业大模型落地之道”专栏中，我们始终强调：理解底层原理，是驾驭大模型的前提。很多人觉得深度学习高深莫测，其实最好的入门方式，就是动手实现一个经典任务。

【研究生随笔】Pytorch中的卷积神经网络（2）----------------------------------------------------------------接前文----------------------------------------------------------- • 填充和步幅：前面讲到，假设输⼊形状为 n_h × n_w，卷积核形状为 k_h × k_w，那么输出形状将是 ( n_h − k_h + 1) × (n_w − k_w + 1)。因此，卷积的输出形状取决于输⼊形状和卷积核的形状。其次，影响输出现状的还

残差网络的介绍及ResNet-18的搭建（pytorch版）在深度学习领域，“更深的网络性能更好” 曾是研究者们的共识 —— 理论上，网络层数越多，能捕捉的特征越复杂，拟合能力也越强。但在 2015 年之前，当网络深度超过 20 层后，研究者们发现了一个致命问题：梯度消失 / 梯度爆炸导致模型无法训练，甚至出现 “深度退化” 现象（深层网络的测试误差反而比浅层网络更高）。而残差网络（Residual Network，简称 ResNet）的出现，彻底打破了这一困境，不仅让 1000 层以上的超深网络成为可能，更成为如今计算机视觉领域的 “基石架构” 之一。本篇博客主

深度学习 × 计算机视觉 × Kaggle（上）：从理论殿堂起步 ——像素、特征与模型的进化之路深度学习重塑了计算机视觉的能力边界。从像素矩阵与手工特征到卷积神经网络（CNN），再到 Vision Transformer（ViT）以及多模态范式，视觉智能的跃迁是一场理论、数据与算力的协奏。本文作为系列的上篇，以“理论殿堂”为起点，系统梳理图像表征与模型演进的核心逻辑，解析不同架构的优势与适配场景，并搭建起通向 Kaggle 实战的理论桥梁。读完后，你将获得面向竞赛和工程的判断力与方法论。

取酒鱼食--【余九】

深度学习经典网络解析：ResNet网络出自论文《Deep Residual Learning for Image Recognition》我们都知道增加网络的宽度和深度可以很好的提高网络的性能，深的网络一般都比浅的的网络效果好，比如说一个深的网络A和一个浅的网络B，那A的性能至少都能跟B一样，为什么呢？因为就算我们把B的网络参数全部迁移到A的前面几层，而A后面的层只是做一个等价的映射，就达到了B网络的一样的效果。一个比较好的例子就是VGG，该网络就是在AlexNet的基础上通过增加网络深度大幅度提高了网络性能。对于原来的网络，如果简单地增

爬虫+卷积神经网络项目实战解析——对图像狗的识别分类1.源代码仓库2.项目前瞻3.爬虫部分4.卷积神经网络4.1模型选择4.2超参数选择5.终programs: 年少曾学登山法 - Gitee.comhttps://gitee.com/zirui-shu/programs/tree/master/%E5%9B%BE%E5%83%8F%E8%AF%86%E5%88%AB%E2%80%94%E2%80%94%E7%8B%97

0.6 卷积神经网络1.待优化的参数过多容易导致模型过拟合全连接层的神经元网络参数个数(w和b)：例如：处理1000万像素的RGB彩色图，如果隐藏层为1000个神经元。那么参数仅w就是：1000x3x1000万=300亿个参数

【深度学习计算机视觉】10：转置卷积【作者主页】Francek Chen 【专栏介绍】 ⌈ ⌈ ⌈PyTorch深度学习 ⌋ ⌋ ⌋ 深度学习 (DL, Deep Learning) 特指基于深层神经网络模型和方法的机器学习。它是在统计机器学习、人工神经网络等算法模型基础上，结合当代大数据和大算力的发展而发展出来的。深度学习最重要的技术特征是具有自动提取特征的能力。神经网络算法、算力和数据是开展深度学习的三要素。深度学习在计算机视觉、自然语言处理、多模态数据分析、科学探索等领域都取得了很多成果。本专栏介绍基于PyTorch的深度学习算法实现

【脑电分析系列】第19篇：深度学习方法（一）：卷积神经网络（CNN）在EEG图像/时频图分类中的应用欢迎回到脑电分析系列！在前几篇中，我们探讨了EEG的预处理、特征提取和传统机器学习分类器。然而，面对EEG信号的复杂非线性模式和日益增长的数据量，深度学习技术展现出更强大的潜力，尤其是其自动特征提取能力。

深度学习实战指南：从神经网络基础到模型优化的完整攻略🌟 Hello，我是蒋星熠Jaxonic！ 🌈 在浩瀚无垠的技术宇宙中，我是一名执着的星际旅人，用代码绘制探索的轨迹。 🚀 每一个算法都是我点燃的推进器，每一行代码都是我航行的星图。 🔭 每一次性能优化都是我的天文望远镜，每一次架构设计都是我的引力弹弓。 🎻 在数字世界的协奏曲中，我既是作曲家也是首席乐手。让我们携手，在二进制星河中谱写属于极客的壮丽诗篇！

【CVPR2023】奔跑而非行走：追求更高FLOPS以实现更快神经网络本文指出当前轻量级神经网络虽然FLOPs低，但由于内存访问频繁导致FLOPS（每秒浮点运算次数）不高，实际延迟并未显著降低。作者提出部分卷积（PConv），仅对部分通道进行卷积，减少计算和内存访问，并基于此构建FasterNet，在多个视觉任务上实现速度与精度的最优平衡。

笔记：深层卷积神经网络（CNN）中的有效感受野简单推导在笔记：卷积神经网络（CNN)-CSDN博客中，我们在8.1.中引入了有局部感受野这一概念，是指在全连接层中神经元在灰度图中所对应的大小，也就是该神经元负责接收这个范围内数据与卷积核计算出来的特征图中的数据。

深度学习：卷积神经网络（CNN）在深度学习领域，卷积神经网络（CNN）在图像识别、计算机视觉等任务中应用广泛，主要因为它能高效提取图像特征。下面就从基础原理、核心结构和实践要点三个方面，结合图示，把 CNN 的相关知识讲清楚。

PyTorch 深度学习实战教程-番外篇04：卷积层详解与实战指南标签：# 深度学习 #人工智能 #神经网络 #PyTorch #卷积神经网络《Pytorch深度学习框架实战教程01》

【机器学习③】 | CNN篇本文将系统讲解卷积神经网络（CNN）的核心原理，以及LeNet-5、AlexNet、GoogLeNet、ResNet四大经典网络的结构、实现与应用。通过PyTorch代码示例，从基础原理到实际操作，帮助读者理解CNN如何处理多维数据、经典网络的设计逻辑及实现方法，读完可掌握CNN的核心概念与落地技能。