最近在看DQN的时候发现resnet模型又有点不太理解，于是把从CNN到Resnet的资料看了一遍，以防忘记，整个备忘录。 卷积神经网络(CNN)，是深度学习中常见的一种网络结构，相比于传统的神经网络大量的神经节点带来的内存消耗过大和参数爆炸，CNN的出现很好解决了这一问题。一.CNN基本概念 &nbs
转载
2024-03-29 10:24:46
99阅读
一、准备python环境以Windows平台为例：1.安装python3直接默认安装，并且添加到PATH。安装完毕后在命令行输入python回车查看是否安装成功。2.更换pip源在win+R运行输入%APPDATA%，点击确定，进入C:Users\用户名\AppData\Roaming文件夹，在该文件夹下新建文件夹pip，在pip下新建文本文件，在其中填入如下内容，然后将文件命名为pip，扩展名改
转载
2023-12-31 17:58:27
82阅读
Local Response Nomalization在前面文章中采用softmax完成了无隐藏层的浅层神经网络，用于对mnist数据集（）分类，通过1000次迭代，识别率大于90%。本篇文章采用cnn搭建来实现对mnist数据集的分类，增加了卷积运算。参看书籍《tensorflow实战》 1.卷积神经网络 CNN最大的特点就是在于卷积的权值共享，利用空间结构减少学习的参数量，防止过拟合的同时
转载
2024-04-08 22:20:03
169阅读
目 录【1】简介与基本概念（1）二维卷积层（2）参数的学习 （3）特征图和感受野 （4）填充和步幅 （5）多输入通道和多输出通道 （6）池化 【2】典型的CNN网络（LeNet、AlexNet）（1）经典模型：LeNet （2）历史突破：AlexNet 【3】使用重复元素的网络（VGG）（1）VGG块（2）VGG-19网络 【1】简介与基本概念卷积神经网络CNN，是近些年在CV领域取得进展的基石
转载
2024-03-20 13:58:32
607阅读
卷积神经网络是人工神经网络的一种，已成为当前语音分析和图像识别领域的研究热点。它的权值共享网络结构使之更类似于生物神经网络，降低了网络模型的复杂度，减少了权值的数量。该优点在网络的输入是多维图像时表现的更为明显，使图像可以直接作为网络的输入，避免了传统识别算法中复杂的特征提取和数据重建过程。卷积网络是为识别二维形状而特殊设计的一个多层感知器，这种网络结构对平移、比例缩放、倾斜或者共他形式的变形具有
转载
2024-05-25 22:30:35
146阅读
一维CNN网络模型Pytorch的实现和调优
一维卷积神经网络（1D CNN）通常用于处理时间序列数据或序列数据，它能够在局部邻域内学习特征，并在整个序列上进行特征提取。在本文中，我将详细记录如何在Pytorch框架中实现一维CNN网络模型，包括环境准备、分步指南、配置详解、验证测试、优化技巧以及排错指南。以下是整理的内容。
## 环境准备
在开始之前，确保我的开发环境是正确配置的。以下是软
引言：CNN在计算机视觉问题上表现出色，原因在于它能够进行卷积运算，从局部输入图块中提取特征，并能将表示模块化，同时可以高效地利用数据，同样也让它对序列处理特别有效，时间可以被看做一个空间维度，就像二维图像的高或宽。对于某些序列处理问题，这种一维卷积的效果甚至可以媲美RNN，而且计算代价通常要小很多。近年，一维卷积网络通常与空洞卷积核一起使用，在音频生成和机器翻译领域取得了巨大的成功。一：理解序列
转载
2024-01-28 05:11:38
180阅读
1.算法描述卷积神经网络（Convolutional Neural Networks, CNN）是一类包含卷积计算且具有深度结构的前馈神经网络（Feedforward Neural Networks），是深度学习（deep learning）的代表算法之一 。卷积神经网络具有表征学习（representation learning）能力，能够按其阶层结构对输入信息进行平移不变分类（sh
转载
2024-04-25 12:11:38
338阅读
参考：卷积层 —— Conv1D层1. Conv1D 层1.1 语法keras.layers.convolutional.Conv1D(filters, kernel_size, strides=1, padding='valid', dilation_rate=1, activation=None, use_bias=True, kernel_initializer='glo
转载
2023-12-03 13:39:43
145阅读
正如上一篇文章所述，CNN的最后一般是用于分类是一两个全连接层，对于前面池化层输出的二维特征图是怎么转化成一维的一个向量的呢？从上图的结构中可以看到，最后两层是两个矩形，也就是一维向量，以MNIST手写数据集为例，上层输出的特征图（Feature Map）为14*14*64大小，经过一个全连接层（这里第一个全连接层的神经元设置为1024个）之后，变成了1*1024的向量。为什么维数降低了呢？别忘了
转载
2023-12-26 21:03:52
113阅读
今天重点理解了几篇介绍CNN的博文，跑了几个基于keras的cnn的代码样例，只能说实现了对CNN的初窥！计算一个维度（宽或高）内一个输出单元里可以有几个隐藏单元的公式权值参数，同时理解了权值共享的情况 权值共享(Shared Weights)在卷积网络中，每个稀疏过滤器hi通过共享权值都会覆盖整个可视域，这些共享权值的单元构成一个特征映
转载
2024-08-22 11:39:09
79阅读
在上篇中，对卷积神经网络的卷积层以及池化层模块进行了简单的介绍，接下来将对卷积神经网络的整个运作流程进行分析，以便对CNN有个总体上的认知和掌握。 如下图，卷积神经网络要完成对图片数字的识别任务。网络的输入是数字为7的RGB图片，大小为32×32×3，其中32×32为图片的像素大小，3表示图片
转载
2023-10-18 21:42:31
210阅读
使用自动梯度搭建一个二层结构的神经网络模型1 torch.autograd 和 Variable2 自定义传播函数2.1 搭建简易神经网络2.2 训练模型、参数优化 前面已经 搭建了一个简易神经网络模型，接下来使用自动梯度搭建一个二层结构的神经网络模型。 1 torch.autograd 和 Variable通过使用 torch.autograd（主要功能是完成神经网络后向传播中的链式求导）
目录一 Liner二 RNN三 LSTM四 LSTM 代码例子概念介绍可以参考：Pytorch中所有模型分为构造参数和输入和输出构造参数两种类型。 模型构造参数主要限定了网络的结构，如对循环网络，则包括输入维度、隐层\输出维度、层数；对卷积网络，无论卷积层还是池化层，都不关心输入维度，其构造方法只涉及卷积核大小\步长等。这里的参数决定了模型持久化后的大小. 输入和输出的构造参数
转载
2024-02-07 14:44:43
130阅读
写的还算不错。最近在倒腾Matconvnet工具包，正好看见新版Matlab的神经网络工具了，一并学习了，两者很相似。这里是matlab2017a，昨天去学校网上看，貌似matlab2018也出来了哈哈，真是日新月异。关于Matlab，CUDA，VS编译器，以及GPU配置可以查看我的上一篇博文。1.前言最近需要用到卷积神经网络(CNN)，在还没完全掌握cuda+caffe+TensorFlow+p
转载
2024-02-16 10:06:53
16阅读
作者：小占同学本文是本人所写的NLP基础任务——文本分类的【深入TextCNN】系列文章之一。【深入TextCNN】系列文章是结合PyTorch对TextCNN从理论到实战的详细教程。本文适合阅读的对象：对深度学习、卷积神经网络和PyTorch有一定的基础对卷积神经网络用于文本分类有一定实践经验的读者在拥有上面基础的同时想进一步提高自己、增加对TextCNN的理解的读者本文的重点部分是：结合PyT
转载
2024-08-08 12:09:07
67阅读
1 一维卷积 最简单的卷积是一维卷积，通常用于序列数据集(但也可以用于其他用例)。它们可以用于从输入序列中提取局部1D子序列，并在卷积窗口内识别局部模式。下图展示了如何将一维卷积滤波器应用于序列以获得新的特征。1D卷积的其他常见用法出现在NLP领域，其中每个句子都表示为单词序列。 2 二维卷积 在图像数据集上，CNN架构中使用的大多是二维卷积滤波器。二维卷积的主要思想是通过卷积滤波器向2个方向(x
转载
2023-11-26 15:00:44
186阅读
经典反向传播算法公式详细推导 卷积神经网络(CNN)反向传播算法公式详细推导网上有很多关于CNN的教程讲解，在这里我们抛开长篇大论，只针对代码来谈。本文用的是matlab编写的deeplearning toolbox，包括NN、CNN、DBN、SAE、CAE。在这里我们感谢作者编写了这样一个简单易懂，适用于新手学习的代码。由于本文直接针对代码，这就要求读者有一定的CNN基础，可以参考L
转载
2024-09-24 19:15:53
198阅读
Keras 模型构建概览Keras 模型构建主要包括5个步骤：。1.1 定义模型model = Sequential()
model.add(Dense(2))定义模型是 Keras 构建神经网络的第一步，这里由Sequential类生成了一个实例，然后添加了一个Dense类型的层（layer），参数2表示该层神经元的数量。一般层的添加顺序即是各层连接的顺序，也是数据流经模型被处理的顺序。模型添加
转载
2024-09-18 20:42:18
38阅读
DenseNet复现DenseNet网络是2017年提出的一种借鉴了GoogLeNet的Inception结构，以及ResNet残差结构的一种新的稠密类型的网络，既利用残差结构避免网络退化，又通过Inception结构吸收多层输出的特征，其拥有着极好的性能又占据着恐怖的内存，但是对于追求准确率的任务来说这是一个非常值得尝试的选择。一维模型训练模板代码自己编写已开源https://github.co
转载
2024-05-27 23:33:00
49阅读
