网站运行环境配置,怎么做网站卖机床,云服务,网站设计标准尺寸常用的几种卷积神经网络介绍 标签#xff08;空格分隔#xff09;#xff1a; 深度学习
这是一篇基础理论的博客#xff0c;基本手法是抄、删、改、查#xff0c;毕竟介绍这几个基础网络的博文也挺多的#xff0c;就算是自己的一个笔记吧#xff0c;以后忘了多看看。主…常用的几种卷积神经网络介绍 标签空格分隔 深度学习
这是一篇基础理论的博客基本手法是抄、删、改、查毕竟介绍这几个基础网络的博文也挺多的就算是自己的一个笔记吧以后忘了多看看。主要是想介绍下常用的几种卷积神经网络。卷积神经网络最初为解决图像识别问题而提出目前广泛应用于图像视频音频和文本数据可以当做深度学习的代名词。目前图像分类中的ResNet, 目标检测领域占统治地位的Faster R-CNN分割中最牛的Mask-RCNN, UNet和经典的FCN都是以下面几种常见网络为基础。
LeNet 网络背景
LeNet诞生于1994年由深度学习三巨头之一的Yan LeCun提出他也被称为卷积神经网络之父。LeNet主要用来进行手写字符的识别与分类准确率达到了98%并在美国的银行中投入了使用被用于读取北美约10%的支票。LeNet奠定了现代卷积神经网络的基础。
网络结构 上图为LeNet结构图是一个6层网络结构三个卷积层两个下采样层和一个全连接层图中C代表卷积层S代表下采样层F代表全连接层。其中C5层也可以看成是一个全连接层因为C5层的卷积核大小和输入图像的大小一致都是5*5可参考LeNet详细介绍。
网络特点
每个卷积层包括三部分卷积、池化和非线性激活函数sigmoid激活函数 使用卷积提取空间特征 降采样层采用平均池化
AlexNet 网络背景
AlexNet由Hinton的学生Alex Krizhevsky于2012年提出并在当年取得了Imagenet比赛冠军。AlexNet可以算是LeNet的一种更深更宽的版本证明了卷积神经网络在复杂模型下的有效性算是神经网络在低谷期的第一次发声确立了深度学习或者说卷积神经网络在计算机视觉中的统治地位。
网络结构 AlexNet的结构及参数如上图所示是8层网络结构忽略激活池化LRN和dropout层,有5个卷积层和3个全连接层第一卷积层使用大的卷积核大小为11*11步长为4第二卷积层使用5*5的卷积核大小步长为1剩余卷积层都是3*3的大小步长为1。激活函数使用ReLu虽然不是他发明但是他将其发扬光大池化层使用重叠的最大池化大小为3*3步长为2。在全连接层增加了dropout第一次将其实用化。参考AlexNet详细解释
网络特点
使用两块GPU并行加速训练大大降低了训练时间 成功使用ReLu作为激活函数解决了网络较深时的梯度弥散问题 使用数据增强、dropout和LRN层来防止网络过拟合增强模型的泛化能力
VggNet 网络背景
VGGNet是牛津大学计算机视觉组和Google DeepMind公司一起研发的深度卷积神经网络并取得了2014年Imagenet比赛定位项目第一名和分类项目第二名。该网络主要是泛化性能很好容易迁移到其他的图像识别项目上可以下载VGGNet训练好的参数进行很好的初始化权重操作很多卷积神经网络都是以该网络为基础比如FCNUNetSegNet等。vgg版本很多常用的是VGG16VGG19网络。
网络结构 上图为VGG16的网络结构共16层不包括池化和softmax层所有的卷积核都使用3*3的大小池化都使用大小为2*2步长为2的最大池化卷积层深度依次为64 - 128 - 256 - 512 -512。
网络特点 网络结构和AlexNet有点儿像不同的地方在于
主要的区别一个字深两个字更深。把网络层数加到了16-19层不包括池化和softmax层而AlexNet是8层结构。 将卷积层提升到卷积块的概念。卷积块有2~3个卷积层构成使网络有更大感受野的同时能降低网络参数同时多次使用ReLu激活函数有更多的线性变换学习能力更强详细介绍参考TensorFlow实战P110页。 在训练时和预测时使用Multi-Scale做数据增强。训练时将同一张图片缩放到不同的尺寸在随机剪裁到224*224的大小能够增加数据量。预测时将同一张图片缩放到不同尺寸做预测最后取平均值。
ResNet 网络背景
ResNet残差神经网络由微软研究院的何凯明等4名华人于2015年提出成功训练了152层超级深的卷积神经网络效果非常突出而且容易结合到其他网络结构中。在五个主要任务轨迹中都获得了第一名的成绩
ImageNet分类任务错误率3.57% ImageNet检测任务超过第二名16% ImageNet定位任务超过第二名27% COCO检测任务超过第二名11% COCO分割任务超过第二名12% 作为大神级人物何凯明凭借Mask R-CNN论文获得ICCV2017最佳论文也是他第三次斩获顶会最佳论文另外他参与的另一篇论文Focal Loss for Dense Object Detection也被大会评为最佳学生论文。
网络结构 上图为残差神经网络的基本模块专业术语叫残差学习单元输入为x输出为F(x)xF(x)代表网络中数据的一系列乘、加操作假设神经网络最优的拟合结果输出为H(x)F(x)x那么神经网络最优的F(x)即为H(x)与x的残差通过拟合残差来提升网络效果。为什么转变为拟合残差就比传统卷积网络要好呢因为训练的时候至少可以保证残差为0保证增加残差学习单元不会降低网络性能假设一个浅层网络达到了饱和的准确率后面再加上这个残差学习单元起码误差不会增加。参考ResNet详细解释 通过不断堆叠这个基本模块就可以得到最终的ResNet模型理论上可以无限堆叠而不改变网络的性能。下图为一个34层的ResNet网络。 网络特点
使得训练超级深的神经网络成为可能避免了不断加深神经网络准确率达到饱和的现象后来将层数增加到1000层 输入可以直接连接到输出使得整个网络只需要学习残差简化学习目标和难度。ResNet是一个推广性非常好的网络结构容易和其他网络结合 论文地址 1. LeNet论文 2. AlexNet论文 3. VGGNet论文 4. ResNet论文 --------------------- 作者feixian15 来源CSDN 原文https://blog.csdn.net/qq_34759239/article/details/79034849 版权声明本文为博主原创文章转载请附上博文链接
