PyTorch实战（4）——卷积神经网络(Convolutional Neural Network, CNN)详解

于 2025-05-12 08:48:50 发布
阅读量1.4k 收藏 93
点赞数 87
分类专栏： PyTorch生成式人工智能从入门到项目实战 文章标签： pytorch cnn 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/LOVEmy134611/article/details/146259639
版权

PyTorch实战（4）——卷积神经网络详解

0. 前言

卷积神经网络 (Convolutional Neural Network, CNN) 是一种非常强大的深度学习模型，广泛应用于图像分析、目标检测、图像生成等任务中。CNN 的核心思想是卷积操作和参数共享，卷积操作通过滑动滤波器(也称为卷积核)在输入数据上进行元素级的乘积和求和运算，从而提取局部特征。通过多个滤波器的组合，CNN 可以学习到不同层次的特征表示，从低级到高级的抽象特征。本节从传统全连接神经网络的缺陷为切入点，介绍了卷积神经网络的优势及其基本组件，并使用 PyTorch 构建卷积神经网络。

1. 全连接网络的缺陷

在深入研究卷积神经网络 (Convolutional Neural Network, CNN) 之前，我们首先介绍传统深度神经网络的主要缺陷。传统深度前馈神经网络(也称全连接网络)的局限性之一是它不满足平移不变性，也就是说，在全连接网络看来，图像右上角有猫与位于图像中心的猫被视为不同对象，即使这是同一只猫。另外，全连接网络受对象大小的影响，如果训练集中大多数

了解本专栏 订阅专栏 解锁全文
PyTorch深度学习实战（11）——卷积神经网络
盼小辉丶的博客
08-14 1万+
卷积神经网络 (Convolutional Neural Network, CNN) 是一种广泛应用的深度学习模型。通过参数共享、局部感知和空间结构等优势，能够更好地处理图像数据，并在图像识别、目标检测和图像生成等任务中展现出强大的能力。在本节中，介绍了卷积的计算方法以及卷积神经网络的基本组件，并使用 PyTorch 构建了卷积神经网络以深入了解其工作原理。
基于卷积神经网络 CNN 的猫狗识别详细过程
Stephen的博客
07-02 7907
训练结果如上图所示，很明显模型上来就过拟合了，主要原因是数据不够，或者说相对于数据量，模型过复杂（训练损失在第30个epoch就降为0了），训练精度随着时间线性增长，直到接近100%，而我们的验证精度停留在70-72%。由于数据量的增加，对比基准模型，可以很明显的观察到曲线没有过度拟合了，训练曲线紧密地跟踪验证曲线，这也就是数据增强带来的影响，但是可以发现它的波动幅度还是比较大的。数据集增强主要是为了减少网络的过拟合现象，通过对训练图片进行变换可以得到泛化能力更强的网络，更好的适应应用场景。
【深度学习实验】卷积神经网络（一）：卷积运算及其Pytorch实现（一维卷积：窄卷积、宽卷积、等宽卷积；二维卷积）
天地玄黄 魑魅魍魉 风花雪月 商角徵羽
09-25 4127
本文主要介绍了卷积运算及其Pytorch实现，包括一维卷积（窄卷积、宽卷积、等宽卷积）、二维卷积。
深度学习实验2：卷积神经网络
weixin_44645198的博客
07-20 4104
卷积神经网络实验
Pytorch学习笔记——卷积操作
weixin_50765519的博客
05-08 1723
卷积操作是一种数学运算，它涉及两个函数：输入函数（通常是图像）和卷积核（也称为滤波器或特征检测器）。卷积核在输入函数上滑动，将核中的每个元素与其覆盖的输入函数区域中的对应元素相乘，然后将所有乘积相加，形成输出函数的一个值。这个过程在整个输入函数上重复，生成一个新的二维数组，称为特征图或激活图。卷积操作的主要目的是从输入数据中提取特征。通过改变卷积核的值，可以检测不同类型的特征，如边缘、角点、纹理等。
NNDL 实验六 卷积神经网络（3）LeNet实现MNIST
weixin_63539289的博客
11-01 847
我们可以看到，前馈神经网络在开始就有很高的正确率，但在后续的训练过程中，准确率却很难再有显著提升。LeNet-5的网络结构如下图所示。图像分类网络对输入图片的格式、大小有一定的要求，数据输入模型前，需要对数据进行预处理操作，使图片满足网络训练以及预测的需要。下面测试一下上面的LeNet-5模型，构造一个形状为 [1,1,32,32]的输入数据送入网络，观察每一层特征图的形状变化。同样地，我们也可以使用保存好的模型，对测试集中的某一个数据进行模型预测，我选择的是数据集中索引为10的数字1，观察模型效果。
实验4 卷积神经网络【机器学习】
小心星的博客
06-02 568
实验4 卷积神经网络【机器学习】
图神经网络实战（7）——图卷积网络(Graph Convolutional Network, GCN)详解与实现
盼小辉丶的博客
04-03 1万+
图卷积网络 (Graph Convolutional Network, GCN) 架构由 Kipf 和 Welling 于 2017 年提出，其理念是创建一种适用于图的高效卷积神经网络。在本节中，我们将讨论 Vanilla GNN 架构的局限性，并详细介绍 GCN 的工作原理，通过使用 PyTorch Geometric 在 Cora 和 Facebook Page-Page 数据集上实现 GCN 来验证其性能。
PyTorch深度学习实战（1）——神经网络与模型训练过程详解
热门推荐
盼小辉丶的博客
05-28 8万+
在本节中，我们将了解传统机器学习与人工神经网络间的差异，并了解如何在实现前向传播之前连接网络的各个层，以计算与网络当前权重对应的损失值；实现反向传播以优化权重达到最小化损失值的目标。并将实现网络的所有关键组成——前向传播、激活函数、损失函数、链式法则和梯度下降，从零开始构建并训练了一个简单的神经网络。
PyTorch实战：常用卷积神经网络搭建结构速览
master_hunter的博客
09-25 1328
PyTorch可以说是三大主流框架中最适合初学者学习的了，相较于其他主流框架，PyTorch的简单易用性使其成为初学者们的首选。这样我想要强调的一点是，框架可以类比为编程语言，仅为我们实现项目效果的工具，也就是我们造车使用的轮子，我们重点需要的是理解如何使用Torch去实现功能而不要过度在意轮子是要怎么做出来的，那样会牵扯我们太多学习时间。以后就出一系列专门细解深度学习框架的文章，但是那是较后期我们对深度学习的理论知识和实践操作都比较熟悉才好开始学习，现阶段我们最需要的是学会如何使用这些工具。
NNDL 实验六 卷积神经网络（1）卷积
qq_51713698的博客
10-21 1386
本片文章对感受野、变种卷积、步长和零填充做了复习，实现二维卷积，利用自定义的二维卷积算子完成了一个简单的图片边缘检测
pytorch 图像的卷积操作
klp1358484518的博客
02-28 1193
pytorch卷积说明。
实验11 卷积神经网络（2）
m0_73864032的博客
11-18 941
由于没有使用原来的代码，这里的运行结果有点不同，主要是没划分训练集和验证集。这里直接用1000个训练集训练的，每一批图片修改一次参数，因此十轮之后的迭代出的loss已经很低了。因为文件的开头可能会包含一些文件的信息，例如图像的宽高、颜色和每个像素的字节数，或者是样本的总数和类别。predicted里面是一个64个元素的向量，表示一个批次的预测标签。1.此处的np.frombuffer的offset参数之所以不同，是因为文件格式的定义不同。这里我们的批次设置为64，可视化一下一个批次中的图像。
用PyTorch搭建卷积神经网络
juhanishen的博客
03-13 2万+
用PyTorch搭建卷积神经网络 本篇文章是一篇基础向的PyTorch教程，适合有一定的机器学习，深度学习和神经网络理论基础，接触过卷积神经网络，缺没有用过PyTorch搭建神经网络的同学。本文会分成以下几个部分： 基础卷积知识 PyTorch基础教程 用Pytorch搭建CNN 优化CNN模型 0. 基础图像卷积知识 这部分参考MIT的卷积图像课程，讲的非常清楚。 图像卷积是处理图像的一种方式。首先一个图像是用 M乘N 个像素来储存的，也是一个 M乘N 的矩阵。而卷积的过程就是将一个卷积核（convo
在pytorch中的卷积操作
FY_2018的博客
08-27 1290
卷积操作： # 1. 卷积核的输入通道数与输入数据的通道数保持一致，所以卷积核的对应通道与输入数据的对应通道进行卷积操作，以卷积核conv_i为例： # 2. 卷积核conv_i的对应通道与输入数据对应通道 进行 对应位置元素 的乘法，即用乘法操作“*”，得到一个与卷积核形状一样的矩阵M # 3. 将第2步中卷积结果矩阵M中的所有元素相加，得到卷积核conv_i在当前通道的卷积结果：标量su_i # 4. 卷积核conv_i的所有通道的卷积结果su_i相加之后得到该卷积核conv_i对输入数据的最终卷积结.
用Pytorch构建第一个神经网络模型（附案例实战）
zxb_1222的博客
03-14 1万+
PyTorch是一个基于python的科学计算包，主要针对两类人群：作为NumPy的替代品，可以利用GPU的性能进行计算作为一个高灵活性、速度快的深度学习平台在PyTorch中搭建神经网络并使用真实的天气信息预测明天是否会下雨。预处理 CSV 文件并将数据转换为张量使用 PyTorch 构建神经网络模型使用损失函数和优化器来训练模型评估模型并了解分类不平衡的危害在开始构建神经网络之前，首先了解一下几个重要概念。
卷积神经网络（PyTorch）
奔跑的小仙女
02-27 8025
卷积 卷积在pytorch中有两种方式，一种是torch.nn.Conv2d()，一种是torch.nn.functional.conv2d()。 这两种形式的卷积对于输入的要求是一样的，首先需要输入一个torch.autograd.Variable()的类型，大小是(batch,channel,H,W),其中batch是输入的一批数据的数目，第二个是通道数，一般彩色图是3，灰度图是1，而卷积...
PyTorch中卷积的简单操作
victory_gx的博客
01-25 1960
卷积 Conv1d Conv1d input：形状的输入张量 weight： 形状过滤器 bias：形状的可选偏置张量( out_channels ). 默认：None stride：卷积核的步长。可以是单个数字或元组(sH, sW)。默认值：1 padding：输入两侧的隐式填充。可以是字符串 {‘valid’, ‘same’}、单个数字或元组(padH, padW)。默认值：0 padding='valid'与无填充相同。padding='same'填充输入，使输出具有作为输入的形
迭代查询和递归查询流程图
最新发布
04-10
<think>嗯，用户的问题是关于DNS迭代查询和递归查询的流程图以及它们的区别。首先，我需要回忆一下DNS查询的基本概念。根据之前的引用资料，递归查询是客户端向本地DNS服务器发出请求后，本地DNS服务器会代替客户端进行后续的所有查询，直到得到结果返回给客户端。而迭代查询则是本地DNS服务器向根DNS查询，根DNS可能返回下一个层级DNS的地址，由本地DNS继续查询，直到得到最终结果。 接下来，用户想要流程图。我需要根据引用中的例子来构建流程图的步骤。例如，递归查询的例子中，客户端→本地DNS→根DNS→顶级DNS→权威DNS，然后原路返回结果。而迭代查询则是本地DNS依次向根、顶级、权威DNS查询，每次查询后得到下一个DNS的地址，直到最终结果。 需要注意的是，引用[4]中的例子比较详细，可以借鉴这个例子中的步骤来绘制流程图。另外，用户可能希望流程图能够清晰地展示两种查询方式的区别，所以需要突出递归查询中的“代替查询”和迭代查询中的“指引查询”过程。 还要确保使用正确的中文术语，并引用相关文献。例如，在解释递归查询时，可以引用[3]和[4]，说明本地DNS代替客户端进行查询。而迭代查询则由本地DNS自行完成所有查询步骤，引用[4]中的比喻来帮助理解。 最后，用户可能还想知道为什么根DNS使用迭代而不是递归，这时候需要结合引用[1]中的内容，解释根DNS压力大，递归会导致效率低下，所以采用迭代来分担压力。 总结步骤： 1. 分别描述递归和迭代查询的流程步骤。 2. 根据引用资料中的例子绘制流程图。 3. 对比两者的区别，强调本地DNS的角色不同。 4. 引用相关文献支持解释。 5. 解答根DNS使用迭代的原因。 确保回答结构清晰，分点说明，流程图部分用文字描述，并附上引用标识。</think>### 迭代查询 vs 递归查询 流程图解释 #### 1. **递归查询流程** - **触发条件**：客户端向本地DNS服务器发起查询请求。 - **流程图**： ``` 客户端 → 本地DNS（递归查询） 本地DNS → 根DNS → 顶级DNS → 权威DNS 权威DNS → 顶级DNS → 根DNS → 本地DNS → 客户端 ``` - **特点**： - 本地DNS服务器**代替客户端完成所有后续查询**，客户端仅需等待最终结果。 - 查询路径形成**链式结构**，每一步由服务器主动向下级查询[^3][^4]。 #### 2. **迭代查询流程** - **触发条件**：本地DNS服务器向根DNS发起查询请求。 - **流程图**： ``` 客户端 → 本地DNS（迭代查询） 本地DNS → 根DNS（返回顶级DNS地址） 本地DNS → 顶级DNS（返回权威DNS地址） 本地DNS → 权威DNS（获取最终结果） 本地DNS → 客户端 ``` - **特点**： - 本地DNS服务器**自行完成每一步查询**，上级DNS仅返回下一级地址，不代为查询[^3][^4]。 - 查询路径为**分层跳转**，服务器逐级获取指引。 #### 3. **核心区别** | 特性 | 递归查询 | 迭代查询 | |-------------------|---------------------------------|---------------------------------| | **查询主体** | 本地DNS代替客户端完成所有步骤 | 本地DNS自行完成每一步查询 | | **响应类型** | 最终结果直接返回给客户端 | 返回下一级DNS地址或最终结果 | | **服务器负载** | 根DNS压力大（需处理递归链路） | 根DNS压力小（仅返回地址）[^1] | #### 4. **为何根DNS采用迭代查询？** - **性能考量**：根DNS需处理全球海量请求，若采用递归方式，需为每个请求维护完整的查询链路，会导致资源耗尽和延迟增加[^1]。 - **责任分离**：迭代查询将查询压力分散到本地DNS，符合DNS层级设计的负载均衡原则[^2]。 ---
评论 82
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

盼小辉丶

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值