1DCNN原理详解

这篇具有很好参考价值的文章主要介绍了1DCNN原理详解。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

1、什么是卷积神经网络

​ 卷积网络也叫作卷积神经网络,是一种专门用来处理具有类似网格结构的数据的神经网络,例如时间序列数据(可以认为是在时间轴上有规律地采样形成的一维网格)和图像数据(可以看做二维的像素网格)。

————本段引用自花书《深度学习》

​ 卷积神经网络中的卷积操作和信号处理中的卷积操作不同,至于卷积神经网络中的卷积操作为什么要那么定义,这不是关注的重点。对于神经网络来说,目标是能够学习到一个卷积核k(m, n)使得损失函数最小,至于k是否恰好是某种卷积的定义这并不重要。

————本段部分引用自《Tensorflow深度学习 深入理解人工智能算法设计》

2、一维卷积神经网络

​ 当前在深度学习领域出现了很多优秀的深度学习开源框架,例如tensorflow、keras、pytorch和百度飞浆(paddlepaddle)等等。其中,tensorflow是应用较为广泛的开源框架,keras主要是对tensorflow和其他的一些开源框架的封装,使得接口更加友好,便于快速搭建深度学习模型(tensorflow2.0以上也内置了keras)。百度飞浆是百度公司开发的深度学习框架,近年来在国内取得了很好的成绩,值得一提的是它的文档有中英文两种。此外,MATLAB内置的深度网络设计器也可以方便的搭建深度学习模型。

​ 不同的框架对于算法的实现过程不同,例如keras中要求的时间序列数据的0轴(纵轴)为时间步,1轴(横轴)为数据点,而MATLAB中0轴(纵轴)为数据点,1轴(横轴)为时间步。这可能是考虑到其他算法的兼容问题等等因素造成的,不过它们所实现的算法的基本原理是一致的。

下面将介绍MATLAB和keras对于1D卷积神经网络的前向计算过程。

1、数据集

我们采用一个加速度传感器的三轴加速度和合加速度作为卷积神经网络的数据,传感器的采样频率为50Hz,对其进行2.56秒的采样可以得到128个采样点,故数据形式为4 * 128(MATLAB)或者128 * 4(keras)。

2、基于MATLAB实现

1、数据形式

训练集的数据如下所示:
1DCNN原理详解
训练集包含2256个样本,每个样本的数据为4 * 128, 4代表每个时间步的四个数据点,128代表128个时间步。

请注意:时间步并不严格代表具体的时间,有时候可以认为是顺序,尤其是在自然语言处理中。

2、一维卷积的原理

一维卷积神经网络和二维卷积神经网络的不同在于卷积核的移动维度不同,而不是卷积核的维度。一维卷积神经网络的卷积核只会沿着时间步顺序进行卷积,故称为一维卷积神经网络,而二维卷积神经网络的卷积核会沿着图像的横轴和纵轴进行卷积,故称为二维卷积。
1DCNN原理详解
绿色代表卷积核和数据进行卷积操作。

1、第一层卷积

我们设置卷积核的大小为9,那么卷积核的尺寸为4 * 9,通道数为32,所得的权重矩阵和偏置矩阵如下所示:
1DCNN原理详解
经过第一层卷积之后所得到的数据为
1DCNN原理详解
请注意,按照MATLAB中的卷积核权重进行前向计算时会发现待卷积数据和卷积核的维度不一致,也就是说待卷积数据为4 * 9,而卷积核权重为9 * 4,需要对权重进行转置,然后进行点乘(哈达玛积)再求所有元素的和再加上偏置。

2、后面的卷积

当经过第一层卷积之后,数据变为上一层的通道数 * 时间步长(这里的时间步长要考虑卷积层是否填充,是否经过池化),所得数据如下所示。
1DCNN原理详解

第二层的卷积的尺寸设置为9,实际尺寸为32 * 9,通道数设置为64,所得权重矩阵和偏置矩阵如下所示:
1DCNN原理详解
第二层卷积结果如下所示:
1DCNN原理详解
为了便于理解,下面做了一个简图

1DCNN原理详解

3、基于keras的实现

keras的一维卷积和MATLAB的一维卷积没有本质上的不同,其主要表现在卷积核的维度上。

原始数据的格式为时间步长 * 数据点数(128, 4),keras的权重矩阵和偏置矩阵为:

第一层卷积:

1DCNN原理详解

1DCNN原理详解
第二层卷积:

1DCNN原理详解

1DCNN原理详解

与基于MATLAB的一维卷积神经网络相比,主要区别在于权重矩阵的存储上,其他并无区别。文章来源地址https://www.toymoban.com/news/detail-402618.html

到了这里,关于1DCNN原理详解的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 动手学深度学习—卷积神经网络(原理解释+代码详解)

    多层感知机对图像处理是百万维度,模型不可实现。 如果要在图片中找到某个物体,寻找方法应该和物体位置无关。 适合 计算机视觉 的神经网络架构: 平移不变性 :不管检测对象出现在图像中的哪个位置,神经网络前几层应该对相同图像区域有相似的反应。 局部性 :神

    2024年02月14日
    浏览(50)
  • 基于GUI的卷积神经网络和长短期神经网络的语音识别系统,卷积神经网的原理,长短期神经网络的原理

    背影 卷积神经网络CNN的原理 卷积神经网络CNN的定义 卷积神经网络CNN的神经元 卷积神经网络CNN的激活函数 卷积神经网络CNN的传递函数 长短期神经网络的原理 基于GUI的卷积神经网络和长短期神经网络的语音识别系统 代码下载链接:基于MATLABGUI编程的卷积神经网络和长短期神

    2024年02月12日
    浏览(35)
  • 什么是卷积神经网络

    目录 什么是卷积神经网络  全链接相对笨重:大胖子​编辑 ​编辑 参数众多:容易造成过拟合 ​编辑 卷积核:进行图像特征提取,源于卷积原理:求相交面积 卷积的作用 卷积的意义 ​编辑 通过卷积核减少参数 深度卷积网络  ReLu函数:负数变成0; ReLu:去除坏习惯​

    2024年02月12日
    浏览(35)
  • 卷积神经网络(CNN)网络结构及模型原理介绍

    本篇内容仅介绍卷积层,池化层等网络结构部分和构建原理,以及卷积的一些前提知识。全连接层的内容和分类模型及损失函数的构建优化和全连接神经网络相同,这里不再讲解。 神经网络模型构建及算法介绍: https://blog.csdn.net/stephon_100/article/details/125452961 卷积神经网络是

    2024年02月04日
    浏览(57)
  • 卷积神经网络详解

    一个卷积神经网络里包括5部分——输入层、若干个卷积操作和池化层结合的部分、全局平均池化层、输出层: ● 输入层:将每个像素代表一个特征节点输入进来。 ● 卷积操作部分:由多个滤波器组合的卷积层。 ● 池化层:将卷积结果降维。 ● 全局平均池化层:对生成的

    2024年02月06日
    浏览(35)
  • PyTorch实战:卷积神经网络详解+Python实现卷积神经网络Cifar10彩色图片分类

    目录 前言 一、卷积神经网络概述 二、卷积神经网络特点 卷积运算 单通道,二维卷积运算示例 单通道,二维,带偏置的卷积示例 带填充的单通道,二维卷积运算示例 Valid卷积 Same卷积 多通道卷积计算 1.局部感知域 2.参数共享 3.池化层 4.层次化提取  三、卷积网络组成结构

    2024年02月07日
    浏览(53)
  • 机器学习算法之——卷积神经网络(CNN)原理讲解

            我们知道神经网络的结构是这样的: 那卷积神经网络跟它是什么关系呢? 其实卷积神经网络依旧是层级网络,只是层的功能和形式做了变化,可以说是传统神经网络的一个改进。比如下图中就多了许多传统神经网络没有的层次。 简而言之,卷积神经网络(Convo

    2024年02月04日
    浏览(46)
  • 深度学习入门——卷积神经网络CNN基本原理+实战

    ​ 卷积神经网络(Convolutional Neural Network,CNN)是深度学习技术中最基础的网络结构,模拟人脑工作,具备强大的特征学习能力。CNN结构主要由两部分组成:特征提取部分和分类部分color{blue}{特征提取部分和分类部分}特征提取部分和分类部分。特征提取部分网络将执行一系列

    2024年01月21日
    浏览(44)
  • python:神经网络的卷积核,权重矩阵长什么样子?

    很多人在做深度学习的时候,都把神经网络看成了一个黑盒子,只管输入不同的训练样本和标签,就可以预测出来和训练样本标签相似的结果。想必不少人也研究过神经网络的计算过程,在研究中一定会学到梯度下降算法和损失函数,也一定会了解到卷积核和反向传播求导等

    2024年02月04日
    浏览(34)
  • CNN(卷积神经网络)的实现过程详解

        在图像处理领域,CNN(卷积神经网络)处于绝对统治地位,但对于CNN具体是如何用神经网络实现的,能找到的介绍要么是一大堆数学公式,要么是大段晦涩的文字说明,读起来很是辛苦,想写好一片完整的而且有深度的文章出来非常难,所以本文适合入门的朋友对CNN的学习

    2024年02月15日
    浏览(37)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包