「java做卷积」java 卷积

本篇文章给大家谈谈java做卷积，以及java 卷积对应的知识点，希望对各位有所帮助，不要忘了收藏本站喔。

本文目录一览：

• 1、java 程序中出现missing return statement 在书中找到的程序，做毕设用，不懂java，卷积运算....
• 2、卷积神经网络的Java实现有哪些
• 3、两个序列做类似于卷积的运算,不同的是把乘后求和改为求与并输出所有序列
• 4、【转载】分组卷积（Group convolution）
• 5、安卓开发，灰度图像与一个二维数组做卷积运算
• 6、cnn卷积神经网络用什么语言来写pascial

java 程序中出现missing return statement 在书中找到的程序，做毕设用，不懂java，卷积运算....

显示的错误的意思是：你有一个没有通过编译的错误，这个错误是一个没有返回值的错误。

class MathTool 的public static double[] cumus(double[] m,double[] n)这个方法需要你返回一个double类型的数组，而你却没有返回。

修改意见：看这个方法应该是想把result返回回来，所以应该在这个方法的最后返回result。故

把return result; 下移一行

}

return result;

}

}

}

return result;

卷积神经网络的Java实现有哪些

卷积神经网络有以下几种应用可供研究：

1、基于卷积网络的形状识别

物体的形状是人的视觉系统分析和识别物体的基础，几何形状是物体的本质特征的表现，并具有平移、缩放和旋转不变等特点，所以在模式识别领域，对于形状的分析和识别具有十分重要的意义，而二维图像作为三维图像的特例以及组成部分，因此二维图像的识别是三维图像识别的基础。

2、基于卷积网络的人脸检测

卷积神经网络与传统的人脸检测方法不同，它是通过直接作用于输入样本，用样本来训练网络并最终实现检测任务的。它是非参数型的人脸检测方法，可以省去传统方法中建模、参数估计以及参数检验、重建模型等的一系列复杂过程。本文针对图像中任意大小、位置、姿势、方向、肤色、面部表情和光照条件的人脸。

3、文字识别系统

在经典的模式识别中，一般是事先提取特征。提取诸多特征后，要对这些特征进行相关性分析，找到最能代表字符的特征，去掉对分类无关和自相关的特征。然而，这些特征的提取太过依赖人的经验和主观意识，提取到的特征的不同对分类性能影响很大，甚至提取的特征的顺序也会影响最后的分类性能。同时，图像预处理的好坏也会影响到提取的特征。

两个序列做类似于卷积的运算,不同的是把乘后求和改为求与并输出所有序列

原理方法

1

基本数学原理

我们假设有两个长度有限的任意序列A(n)和B(n)，其中A(n)和B(n)的具体数学表达式可以看下图一。那么这两个有限长序列的卷积就应该为C(n)=A(n)*B(n)，其具体表达式请参看一下图二。

2

相关函数指令

Matlab中的conv和deconv指令不仅可以用于多项式的乘除运算，还可以用于两个有限长序列的卷积和解积运算。

Matlab提供的函数conv，语法格式：w=conv(u，v)，其中u和v分别是有限长度序列向量，w是u和v的卷积结果序列向量。如果向量u和v的长度分别为N和M，则向量w的长度为N+M-1.如果向量u和v是两个多项式的系数，则w就是这两个多项式乘积的系数。下面我们看一下deconv指令。功能：求向量反褶积和进行多项式除法运算。语法格式：[q,r]=deconv(v,u) ，参数q和r分别返回多项式v除以多项式u的商多项式和余多项式。具体实例请看下一步。

3

conv和deconv指令实例

具体实例请看下图，这里我们求多项式(x2+2x+1)与多项式(2x2+x+3)的积，再求积与(x2+2x+1)的商。需要注意的是向量c代表多项式(2x4+5x3+7x2+7x+3)。

END

两个有限长序列的卷积实例

具体序列的数学形式

在这一步我们将具体的有限长时间序列按数学方式显示，具体请看下图。

解法一：循环求合法求卷积

在本例中我们将按照原理方法第一步中图二的方式进行卷积计算，即循环求合法求卷积。具体的代码及结果请看下图。图一是是生成有限长度时间序列，图二是根据原理方法第一步中图二的方式即循环求合法求卷积的具体代码，图三是是图二的计算结果。

解法二：0起点序列法

下面就说一下第二种方法，即“0起点序列法”，所采用的指令就是我们在原理方法中介绍的conv函数指令。具体代码看下图。

解法三：非平凡区间序列法

下面就说一下第二种方法，即“0起点序列法”，所采用的指令就是我们在原理方法中介绍的conv函数指令。具体代码看下图。图一为计算代码，图二为计算结果。

绘图比较

这一步我们将解法二和解法三的计算结果绘制在一张图片中进行比较，其中第一幅是“0起点法”的计算结果图，第二幅是“非平凡区间法”的计算结果图。其中画图代码为：

subplot(2,1,1),stem(kc,c),text(20,6,'0 起点法') %画解法二的结果

CC=[zeros(1,KC(1)),C]; %补零是为了两子图一致

subplot(2,1,2),stem(kc,CC),text(18,6,'非平凡区间法') %画解法三的结果

xlabel('n')

小结

有以上可以得出如下结论：

1、“解法三”最简洁、通用；

2、“解法二”使用于序列起点时刻N1或（和）M1小于0的情况，比较困难；

3、“解法一”最繁琐，效率低下。

【转载】分组卷积（Group convolution）

Group convolution 分组卷积，最早在AlexNet中出现，由于当时的硬件资源有限，训练AlexNet时卷积操作不能全部放在同一个GPU处理，因此作者把feature maps分给多个GPU分别进行处理，最后把多个GPU的结果进行融合。

2.1 什么是分组卷积

在说明分组卷积之前我们用一张图来体会一下一般的卷积操作。 

从上图可以看出，一般的卷积会对输入数据的整体一起做卷积操作，即输入数据：H1×W1×C1；而卷积核大小为h1×w1，一共有C2个，然后卷积得到的输出数据就是H2×W2×C2。这里我们假设输出和输出的分辨率是不变的。主要看这个过程是一气呵成的，这对于存储器的容量提出了更高的要求。 

但是分组卷积明显就没有那么多的参数。先用图片直观地感受一下分组卷积的过程。对于上面所说的同样的一个问题，分组卷积就如下图所示。 

可以看到，图中将输入数据分成了2组（组数为g），需要注意的是，这种分组只是在深度上进行划分，即某几个通道编为一组，这个具体的数量由（C1/g）决定。因为输出数据的改变，相应的，卷积核也需要做出同样的改变。即每组中卷积核的深度也就变成了（C1/g），而卷积核的大小是不需要改变的，此时每组的卷积核的个数就变成了（C2/g）个，而不是原来的C2了。然后用每组的卷积核同它们对应组内的输入数据卷积，得到了输出数据以后，再用concatenate的方式组合起来，最终的输出数据的通道仍旧是C2。也就是说，分组数g决定以后，那么我们将并行的运算g个相同的卷积过程，每个过程里（每组），输入数据为H1×W1×C1/g，卷积核大小为h1×w1×C1/g，一共有C2/g个，输出数据为H2×W2×C2/g。

2.2 分组卷积具体的例子

从一个具体的例子来看，Group conv本身就极大地减少了参数。比如当输入通道为256，输出通道也为256，kernel size为3×3，不做Group conv参数为256×3×3×256。实施分组卷积时，若group为8，每个group的input channel和output channel均为32，参数为8×32×3×3×32，是原来的八分之一。而Group conv最后每一组输出的feature maps应该是以concatenate的方式组合。 

Alex认为group conv的方式能够增加 filter之间的对角相关性，而且能够减少训练参数，不容易过拟合，这类似于正则的效果。

安卓开发，灰度图像与一个二维数组做卷积运算

不需要，空域滤波器有一些现成的，比如做水平边缘提取用的sobel算子[1 2 1;0 0 0'-1 -2 -1],可以用matlab里面fspecial(type,parameters)函数生成，也可以自己随意设置一大小，比如[1 2 3;-1 2 3;0 -1 3]，当然你也可以设置一个5*5大小的一个滤波器

cnn卷积神经网络用什么语言来写pascial

200+

这个是hinton matlab代码的C++改写版. convnetjs - Star,SAE，首选的肯定是LIBSVM这个库;RBM#47. DeepLearn Toolbox - Star，包括了CNN;C++SVM方面,Java。

2。

下面主要一些DeepLearning的GitHub项目吧;SdA#47:2200+

实现了卷积神经网络，还实现了Rasmussen的共轭梯度Conjugate Gradient算法,DBN,C/CRBM/CDBN#47：Python。

3,CAE等主流模型，实现的模型有DBN#47，可以用来做分类，语言是Python;LR等，从算法与实现上都比较全:800+

实现了深度学习网络. rbm-mnist - Star，应该是应用最广的机器学习库了，强化学习等. Deep Learning(yusugomo) - Star,Scala:1000+

Matlab实现中最热的库存，提供了5种语言的实现。

5;dA#47:500+

这是同名书的配套代码。

4. Neural-Networks-And-Deep-Learning - Star！

1，回归

关于java做卷积和java 卷积的介绍到此就结束了，不知道你从中找到你需要的信息了吗 ？如果你还想了解更多这方面的信息，记得收藏关注本站。