才子佳人博客

我的故事我讲述

2020-01-10 09:13:10

卷积神经网络之空间金字塔池化方法

空间金字塔池化，要解决的就是从卷积层到全连接层之间的一个过渡。使用金字塔池化，使得任意大小的特征图都能够转换成固定大小的特征向量。
分类:网络日志 | 评论:0 | 浏览:160| 阅读全文

2020-01-07 16:52:06

机器学习重要概念：梯度（Gradient）与梯度下降法（Gradient Descent）

机器学习中的大部分问题都是优化问题，而绝大部分优化问题都可以使用梯度下降法处理，那么搞懂什么是梯度，什么是梯度下降法就非常重要！这是基础中的基础，也是必须掌握的概念！
分类:网络日志 | 评论:0 | 浏览:266| 阅读全文

2020-01-03 16:33:21

卷积神经网络的训练过程（前向传播、反向传播过程）

卷积神经网络的训练过程分为两个阶段。第一个阶段是数据由低层次向高层次传播的阶段，另外一个阶段是，当前向传播得出的结果与预期不相符时，将误差从高层次向底层次进行传播训练的阶段。
分类:网络日志 | 评论:0 | 浏览:314| 阅读全文

2020-01-03 09:12:18

卷积神经网络简介

卷积神经网络与普通神经网络的区别在于，卷积神经网络包含了一个由卷积层和子采样层（池化层）构成的特征抽取器。
分类:网络日志 | 评论:0 | 浏览:183| 阅读全文

2020-01-02 15:07:34

图示卷积神经网络之激活函数RelU (Rectified Linear Units)

常用的激活函数有sigmoid、tanh、relu等等，前两者sigmoid/tanh比较常见于全连接层，后者ReLU常见于卷积层。
分类:网络日志 | 评论:0 | 浏览:215| 阅读全文

2020-01-02 14:56:14

图示卷积神经网络之池化（Pooling）过程和作用

为了有效地减少计算量，CNN卷积神经网络使用的另一个有效的工具被称为“池化(Pooling)”。池化就是将输入图像进行缩小，减少像素信息，只保留重要信息。
分类:网络日志 | 评论:0 | 浏览:262| 阅读全文

2019-12-31 15:18:19

卷积神经网络之感受野

感受野用来表示网络内部的不同神经元对原图像的感受范围的大小。
分类:网络日志 | 评论:0 | 浏览:179| 阅读全文

2019-12-31 09:27:11

卷积神经网络各种池化

在卷积神经网络中，我们经常会碰到池化操作，而池化层往往在卷积层后面，通过池化来降低卷积层输出的特征向量，同时改善结果。
分类:网络日志 | 评论:0 | 浏览:149| 阅读全文

2019-12-30 15:06:23

常用激活函数（激励函数）理解与总结

学习神经网络的时候我们总是听到激活函数这个词，而且很多资料都会提到常用的激活函数，比如Sigmoid函数、tanh函数、Relu函数。本文的内容包括几个部分：
分类:网络日志 | 评论:0 | 浏览:206| 阅读全文

2019-12-30 10:17:17

深度学习(DL, Deep Learning)简介

深度学习(DL, Deep Learning)是机器学习(ML, Machine Learning)领域中一个新的研究方向，是一个复杂的机器学习算法，在语音和图像识别方面取得的效果，远远超过先前相关技术。
分类:网络日志 | 评论:0 | 浏览:160| 阅读全文

2019-12-27 16:00:37

神经网络基础:神经元模型、激活函数、神经网络模型

神经网络中最基本的单元是神经元模型（neuron）。细胞体分为两部分:
分类:网络日志 | 评论:0 | 浏览:267| 阅读全文

2019-12-27 15:02:08

前馈神经网络

前馈神经网络（feedforward neural network，FNN），简称前馈网络，是人工神经网络的一种。前馈神经网络采用一种单向多层结构。
分类:网络日志 | 评论:0 | 浏览:258| 阅读全文

2019-12-27 11:11:21

CNN中图像卷积操作的通道、滤波器、步长的理解

文章通过动画演示图像卷积操作的通道、滤波器、步长的概念。
分类:网络日志 | 评论:0 | 浏览:169| 阅读全文

2019-12-27 09:43:44

数字图像处理中的卷积操作

文章简要介绍了什么是卷积，什么是卷积核，什么是卷积层，图像卷积的原理。
分类:网络日志 | 评论:0 | 浏览:159| 阅读全文

2019-12-26 16:33:53

卷积操作的物理意义

在图像处理领域，我们经常能听到滤波，卷积之类的词，本文讨论卷积操作的物理意义。
分类:网络日志 | 评论:0 | 浏览:158| 阅读全文

 

[6/35][<<][1][2][3][4][5][6][7][8][9][10][>>]