卷积神经网络CNN学习笔记 pdf
个人整理的CNN学习笔记，所有素材均来自于互联网。把经典的摘之以作备案，待整理好这份笔记后，发现对CNN也有了深入理解，希望对你也有帮助！LOCALLY CONNECTED NEURAL NETCONVOLUTIONAL NETSTATIONARI? Statisties issimilar at dif ferent locationsLearn multiple filters.Example: 1000x1000 image1M hidden unitsFilter size: 10x10E.g. 1000x1000 image100M parameters100 FiltersFilter size: 10x10u鴻網互聯EEIDEE下面的分析来源于:htp/ log csdn. net/zouxy09/ article/details,/8781543我们知道,隐含层的每一个神经元都连接10x10个图像区域,也就是说每一个神经元存在10x10=100个连接权值参数。那如果我们每个神经元这100个参教是相同的呢?也就是说每个神经元用的是同一个卷积核去卷积图像。这样我们就只有多少个参数??只有100个参数啊!!!亲!不管你隐层的神经元个数有多少,两层间的连接我只有100个参数啊!亲!这就是权值共享啊!亲!这就是卷积神经网络的主打卖点啊!亲!(有点烦了,呵呵)也许你会问,这样做靠谱吗?为什么可行呢?好了,你就会想,这样提取特征也忒不靠谱吧,这样你只提取了一种特征啊?对了,頁聪明,我们需要提取多种特征对不?假如一种滤波器,也就是一种卷积核就是提出图像的一种特征,例如某个方向的边缘。那么我们需要提取不同的特征,怎么办,加多几种滤波器不就行了吗?对∫。所以假设我们加到100种滤波器,每种滤波器的参数不一样,表示它提出输入图像的不同特征,例如不同的边缘。这样每种滤波器去卷积图像就得到对图像的不同特征的放映,我们称之为 Feature Map。所以100种卷积核就有100个 Feature Map。这100个 Feature Map就组成了一层神经元。到这个时候明了了吧。我们这一层有多少个参数了?100种卷积核x每种卷积核共享100个参数=100×100=10K,也就是1万个参数。才1万个参数啊!亲!(又来了,受不了了!)见上图右:不同的颜色表达不同的滤波器嘿哟,遗漏一个问题了。刚才说隐层的参数个数和隐层的神经元个数无关,只和滤波器的大小和滤波器种类的多少有关。那么隐层的神经元个数怎么确定呢?它和原图像,也就是输入的大小(神经元个数)、滤波器的大小和滤波器在图像中的滑动步长都有关!例如,我的图像是1000×1000像素,而滤波器大小是10×10,假设滤波器没有重叠,也就是步长为10,这样隐层的神经元个数就是(1000×1000y(10×10}=100×100个神经元了,假设步长是8,也就是卷积核会重叠两个像素,那么……我就不算了,思想懂了就好。注意了,这只是一种滤波器,也就是一个 Feature Map的神经元个数哦,如果100个 Feature Map就是100倍了。由此可见,图像越大,神经元个数和需要训练的权值参数个数的贫富差距就越大。CONV NETS: EXTENSIONSBypool ing"(e. g. max or average)filterresponses at different locations we gain Over the years. some new medes have proven to be veryrubustness to the exact spatial location effective when plugged inte corv-netsof featuresL2 PoolingU, kEN(x,r)Local Contrast normalizationhN(x y)iN(xvIRenato总之,卷积网络的核心思想是将:局部感受野、权值共享(或者权值复制)以及时间或空间亚采样这三种结构思想结合起来获得了某种程度的位移、尺度、形变不变性。23实例视觉皮层存在两类相关的细胞,S细胞( Simple Cel)和C( Complex Cell)细胞。S细胞在自身的感受野内最大限度地对图像中类似边缘模式的剌激做出响应,而C细胞具有更大的感受野,它可以对图像中产生刺激的模式的空间位置进行精准地定位C是卷积层,S是下采样层。参看这个两个网址,对理解CNN非常有帮助http://www.68idc.cn/help/buildlang/ask/20150705417730.htmlhttp://www.68idc.cn/help/buildlang/ask/20150705419299.html涵pC1s2c384江蘇鴻網互刷三 -TOLERc是卷积层,S是下采样层。输入的一幅图像,在C1层,通过和3个卷积模板做卷积运算,然后加上偏置值,再经过 sigmoid激活函数,得到3幅输出图像,在S2层,对C1层输出的3幅图像做下采样,假设采样因子是2,也就是图中每2*2的 patch中的4个像素进行求和,再加偏置,再通过激活函数,得到3张尺寸减小了的输出图像。同样的,再经过C3S4。将S4的输出拉成一个向量,输入传统的神经网络中,并得到输出24综合实例G1: feature maps8@28X28C3: f. mapInp ut20@10x1032×32S1: f. mapsS4: f. maps@14x1420@5x5C5:120Output: 9ConvolutionsSubsamplingSubsamplingconnectionConvolutions og. Csdn. n Convolutions 688图中的卷积网终Ⅰ作流程如下,输入层由32×32个感知节点组成,接收原始图像。然后,计算流程在卷积和子抽样之间交替进行,如下所述·第一隐藏层进行卷积,它由8个特征映射组成,每个特征映射由28×28个神经元组成,每个神经元指定一个5×5的接受域,这28×28个神经元共享5×5个权值参数,即卷积核第二隐藏层实现子抽样和局部平均,它同样由8个特征映射组成,但其每个特征映射由14×14个神经元组成。每个神经元具有一个2×2的接受域,一个可训练系数,一个可训练偏置和一个 sigmoid激活函数。可训练系数和偏置控制神经元的操作点;第三隐藏层进行第二次卷积,它由20个特征映射组成,每个特征映射由10×10个神经元组成。该隐藏层中的每个神经元可能具有和下一个隐藏层几个特征映射相连的突触连接,它以与第一个卷积层相似的方式操作。第四个隐藏层进行第二次子抽样和局部平均汁算。它由20个特征映射组成,但每个特征映射由5×5个神经元组成,它以与第一次抽样相似的方式操作。●第五个隐藏层实现卷积的最后阶段,它由120个神经元组成,每个神经元指定一个5×5的接受域。最后是个全连接层,得到输出向量。综合起来,如下图山辆入员/閩张38的圈像辆入|种特图到C28×28KD卷,:对应位遇相森再未和⊙如偏置每种图有个偏置a老积层f同治减函数6↑5的卷铝kC6个偏置值b输邶钟培钲图24X0mno:22域的值平均坐smle=2辆入6种征图列12|2k2个55的着核kKk22个偏置值b辆出12钟特钲图8×88×g年怦居D mean pooL斜样9=2s输出口钟特征图4x叶把S园輪出的特征图垣成一年向量入,维,:平4x×12=12F房入节点有2个192资接的神经刚络W1,09W参教W:20×192矩阵爹教bho0x1向量oh辆出节点有个,国为baby的度是o·上图中28如何变成24的?12如何变成8的?详情见这个网址:hto:/ud. stanfordedu/wki/ index. php/ Featureextractionusing convolution这个过程中,有这么几个参数:a.深度 depth:神经元个数,决定输出的dept厚度。同时代表滤波器个数。*b.步长 stride:决定滑动多少步可以到边缘。C.填充值zero- padding:在外围边缘补充若干圈0,方便从初始位置以步长为单位可以刚好滑倒末尾位置,通俗地讲就是为了总长能被步长整除。最左边一列是输入层,第二列是第一个滤波器(W0),第三列是第二个滤波器(W1),第四列是输出层。*该图有两个神经元,即 depth=2,意味着有两个滤波器数据窗口每次移动两个步长取3*3的局部数据,即stde=2。zero-padding=13cNN的激励层与池化层ReLU激励层不要用 sigmoid,因为它容易饱和、造成终止梯度传递,且没有0中心化ReLU的优点是收敛快,求梯度简单。·池化poo层池化,简言之,即取区域平均或最大,如下图所示Single depth slice1124Xmax pool with 2X2 filters5678 and stride 26832234304y参考文献:·htp:/ yann lecun. com/exdb/lenet/index. html( Yann securη实现的CNN演示,以动画的形式演示了位移、加噪、旋转、压缩等识别,最有价值的是把隐层用图像显示出来了,很生动形象)
- 2021-05-07下载
- 积分：1
专利撰写样例
专利撰写参考样例，可以参考写。机械相关领域的专利，都可以参考。CN201482299U说明书1/2页多功能组合式带式压滤机技术领域[0001]本实用新型涉及一种环保领域水处理系统中,适用于污泥处理的多功能组合式带式压滤机。背景技术[000]环保领域水处聞系统中的污泥处理设备中,带式压滤机是)泛采用的设备。目前带式脱水设备形式很多,但是由于各种使用原因,都存在有污泥分离过程中,混合、絮凝不充分,影响了带式压滤机使用效果,无形中增加了污泥处理的费川实用新型内容[0003]本实用新型要解决的技术问题是提供一种集絮凝、浓缩、布料及脱水于一体的多功能组合式带式压滤机,解决混合、絮凝不充分,滤液中仍含有大量污泥,布料不均匀等缺陷。[000为了解决上述问题,本实用新型提供了一种由絮凝装置、浓缩装置、宽带布料装置、脱水装置组成的多功能组合式带式压滤机。泥浆浓度小于1%时采用絮凝装置、浓缩装置、脱水装冒组合,浓度大于1%时采用絮凝装置、宽带布料装置、脱水装詈组合,絮凝装置安装在脱水装置上部左端;浓缩装置安装在脱水装置上部中间;宽带布料装置安装在脱水装置上部中间。[0005絮凝装置是絮凝筒和裝仼絮凝筒上部的搅拌机组成的装置;所述絮凝装置的搅拌机为螺旋提升式搅拌机。[000]浓缩装置是浓缩装置驱动电机减速机安装在浓缩装置的左端,其右侧安装1~3只浓缩网筒,浓缩装置的右下端安装1~3只小布料器组成的装置。[000宽带布料裝置是分配槽和安装在分配槽上部的布料筒组成的装置[0008脱水装置是重力脱水区位于脱水装置的上端左侧,重力脱水区右侧依次安装上滤带清洗装冒、上调偏装置、脱水裝置驱动电机减速机:主动辊安装在脱水装置的右端,主动辊之间右侧形成剥离区,剥离区左侧的S形区域是S挤压脱水区,S挤压脱水区左侧是上滤带和下滮带形成的楔形脱水区,转向辊安装在脱水设备的左端,下调偏裝置安装在脱水裝置的下部右侧,下滤带清洗装置安装在下调偏装置左侧组成的装置。附图说明[0009下面结合附图和具体实施方式对本实用新型作进一步详细的说明[0010]图1是本实用新型多功能组合式带式压滤机的第一种实施方式的示意图。[0011图2是木实用新型多功能组合式带式压滤机的第二种实施方式的示意图具体实施方式[0012]本实用新型工作情况是这样的:CN201482299U说明书2/2页[0013]如图1所示,经过加药后的原低浓度泥浆由泥浆口20进入絮凝装置23,泥浆在絮凝筒2屮絮凝,通过螺旋提升式的搅拌机1搅拌加速泥浆与药剂的反应,形成较大的絮凝团,然后自流到浓缩装置4中。由浓缩装置驱动电杋减速杋3带动不锈钢浓缩网筒5旋转,泥浆在浓缩网筒5中进行浓缩,浓缩后的泥浆通过配套的小布料器7均匀分布在上滤带19上。脱水装置驱动电机减速机10带动主动辊11转动,主动辊11带动上滤带19和下滤带16移动。泥浆在上滤带19带动通过重力脱水区6,稳压阀提供恒定压力的转向辊18,转向落到下滤带l6上,然后在楔形脱水区17预挤,最后在S挤压脱水区13挤压脱水,并形成泥饼,泥饼最终在剥离区12分离出脱水装置25。上滤带19通过射沇阀控制的上调偏装置⑨调整滤带的位置。上滤带凊洗装置8对上滤带19进行凊洗。下滤带16通过射流阀控制的下调偏装置14调整滤带的位置。下滤带清洗装置15对下滤带16进行清洗.[0014]如图2示的经过加药后的原低浓度泥浆由泥浆∏20进入絮凝裝置23,泥浆在絮凝筒2中絮凝,通过螺旋提升式的搅拌机1搅拌加速泥浆与药剂的反应,形成较大的絮凝团,然后自流到宽带布料装置24,在布料筒21中混凝,用由分配槽22均匀分布到上滤带19。脱水装置驱动电机减速机10带动主动辊11转动,主动辊11带动上滤带19和下滤带16移动泥浆在上滤带19带动通过重力脱水区6,稳压阀提供恒定压力的转向辊18,转向落到下滤带16上,然后在楔形脱水区17预挤压,最后在S挤压脱水区13挤压脱水,并形成泥饼,泥饼最终在剥离区12分离岀脱水装置25。上滤带19通过射沇阀控制的上调偏装9调整滤带的位萓。上滤带清洗装萓8对上滤带19进行凊洗。下滤带16通过射流阀控制的下调偏装置14调整滤带的位置。下滤带淸洗装置15对下滤带16进行清洗CN201482299U说明书附图1/2页89252310182N相12171613图15CN201482299U说明书附图2/2页252019TIINT18a尺G)12161415EADZARSEADE图6
- 2021-05-06下载
- 积分：1
|
联系客服（QQ：3324461878）
