Posts tagged with #CNN

8 posts found

NiN 网络与 1x1 卷积核

1190 words • 6 min read
在讲解具体的 NiN 网络架构前，我们先谈谈 1x1 卷积核。 一般而言，对二维信号进行 1x1 卷积是没有意义的。但是在 CNN 中，整个空间是三维的，这个卷积核的实际大小为 $1\times 1\times \text{num{\_}channels}$。在这个卷积核在原有的 $m\times n$ 图像空间的每一个位置，都会与该点的 $\text{num{\_}channels}$...
#Deep Learning#CV#CNN

感受野

1577 words • 8 min read
感受野（Receptive Field）指的是在输入图像上，能够影响到 CNN 中**某一个特定特征**值的那片区域。它的基本属性为中心位置和尺寸。 例如下面这个例子： <Image src={image_2025_11_03_20_51_00} alt="alt text" /> 这里的绿色特征图的每一个绿色点都是由一个 3x3 卷积层在蓝色的输出图上平移得到的，因此它的感受野为3。...
#Deep Learning#CNN

VGGNet 网络

388 words • 2 min read
VGGNet 这一网络架构揭示了网络深度对模型性能的影响，它只使用简单的 3x3 卷积核就得到了非常好的结果。 VGGNet 网络的设计哲学如下： 1. 使用小卷积核：全部使用很小的 3x3 卷积核。 2...
#Deep Learning#CV#CNN

AlexNet 网络

151 words • 1 min read
AlexNet大胆地构建了一个比LeNet深得多、宽得多的网络，并通过在 ImageNet 上的结果证明了：当网络足够深、数据足够多时，CNN的性能可以超过所有传统方法。 原始 AlexNet 的网络架构如下： . [alt text](alexnet-frame-and-demo-images/2025-11-02-11-18-32...
#Deep Learning#CV#CNN

LeNet 网络

333 words • 2 min read
LeNet 通过较为简单的网络架构，实现了下面的目标： 1. 有效的特征提取：使用“卷积层+池化层”的特征提取模块。 2...
#Deep Learning#CV#CNN

卷积神经网络概述

1729 words • 9 min read
卷积神经网络 (Convolutional Neural Networks) 的灵感来源于图像处理中的“边缘检测器”： 1. 局部性 (Locality)：一个边缘检测器每次**只观察图像的一小部分区域**。 2...
#Deep Learning#CNN

Homework6 Code Part1

6324 words • 32 min read
> 由于 Homework 6 的笔记内容有些多，我把它拆分成三部分了。 Part1 的内容是从零实现 Neural Nets 的相关组件。 作业初始代码的总体架构如下： - `models. py`：神经网络模型实现：负责整个网络的前向传播、反向传播和训练循环 - `layers...
#Ma-Le#Deep Learning#CNN