我们已经陆续介绍了几种算法，例如LPA；但是，直到现在，我们还是强调图算法用于一般性图分析。由于图在机器学习（ML）中的应用越来越多，我们现在将研究如何使用图算法来增强ML的工作流程。在本章中，我们重点介绍用图算法改进机器学习的最实用办法：提取连接相关的特征，并用于在关系预测。首先，我们将介绍一些基本的ML概念，并了解对提升预测的上下文数据的重要性。然后，我们将快速了解图功能的应用方式，包括用于垃
1 线性分类器简介2 线性评分函数3 损失函数
3.1 多类SVM3.2 Softmax分类器3.3 SVM和Softmax的比较4 基于Web的可交互线性分类器原型5 小结1 线性分类图像分类的任务，就是从已有的固定分类标签集合中选择一个并分配给一张图像。我们还介绍了k-Nearest Neighbor （k-NN）分类器，该分类器的基本思想是通过将测试图像与训练集带标签的图像进行比较，来
转载
2024-07-12 00:23:58
46阅读
目录一、实验意义及目的二、实验内容三、Matlab 相关函数介绍四、算法原理五、参考代码及扩展代码流程图(1)参考代码流程图(2)扩展代码流程图六、参考代码七、实验要求（1）尝试不同的阈值选择方法，实现灰度图像二值化（2）变换参数实现形态学滤波，查看滤波效果（3）更改重建边界点数，查看效果（4）自行设计方法实现图像分割，并计算分割区域相关参数 一、实验意义及目的 （
1
）进一步掌握图像
在上一篇文章中，我们介绍了KNN算法的原理，并详细阐述了使用Opencv的KNN算法模块对手写数字图像进行识别，发现识别的准确率还是比较高的，达到90%以上，这是因为手写数字图像的特征比较简单的缘故。本文我们将使用KNN来对更加复杂的CIFAR-10数据集进行识别分类，并尝试提高分类的准确率。1. CIFAR-10数据集介绍CIFAR-10是一个专门用于测试图像分类的公开数据集，其包含的彩色图像分
转载
2024-04-22 16:02:05
101阅读
1. 简介现有很多网络的进步并非仅仅来自改进的模型架构。训练程序的改进，包括损失函数的变化，数据预处理和优化方法也起了重要作用。在过去几年中已经提出了大量这样的改进，但是受到的关注相对较少。在文献中，大多数只是作为实现细节提及，而其他只能在源代码中找到。我们通过实验表明，有几个技巧可以显著提高准确性，将它们组合在一起可以进一步提高模型的准确性。我们将应用所有技巧后的ResNet-50与表1中的其他
转载
2024-04-15 14:47:57
74阅读
1. 概述非全连接的， 另一方面同一层中某些神经元之间的连接的权重是共享的（即相同的）。它的非全连接和权值共享的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（对于很难学习的深层结构来说，这是非常重要的），减少了权值的数量。 回想一下BP神经网络。BP网络每一层节点是一个线性的一维排列状态，层与层的网络节点之
转载
2024-08-08 10:40:59
29阅读
一、什么是Deep Learning？ 实际生活中，人们为了解决一个问题，如对象的分类（对象可是是文档、图像等），首先必须做的事情是如何来表达一个对象，即必须抽取一些特征来表示一个对象，如文本的处理中，常常用词集合来表示一个文档，或把文档表示在向量空间中（称为VSM模型），然后才能提出不同的分类算法来进行分类；又如在图像处理中，我们可以用像素集合来表示一个图像，后来人们提出了新的特征表示，如SIF
转载
2024-07-13 07:36:54
42阅读
一：CRNN简介网络结构：CNN + RNN + CTC网络编码：当输入一张尺寸归一化的图片 [32, 280, 3] ，其中32代表文本图片高度，280代表文本图片宽度，3代表文本图片通道数；经过CNN特征编码之后，高度5次2倍下采样变成1，宽度3次2倍下采样变成35，通道经过卷积变成512，最终CNN输出特征 [1, 35, 512]；以此特征输入RNN网络，以35作为序列步长，通道数最终输出
转载
2024-08-08 16:53:35
41阅读
一.数据集制作我们用到的数据集是一个2982张关于10个汉字的图片库，下载地址：链接：https://pan.baidu.com/s/1NqjYlRRizf4zzl0TjhgvOA 提取码：hpgj 我们通过PIL库读取图片数据，并生成标签，最终得到一个2982*784的图片数据集和2982*10的标签列表。一下是代码：path_ = 'E:\\中文字符识别\\'
classes = ['0',
转载
2024-04-12 17:01:47
231阅读
*学习的最大理由是想摆脱平庸，早一天就多一份人生的精彩；迟一天就多一天平庸的困扰。CNN由许多神经网络层组成。卷积和池化这两种不同类型的层通常是交替的。网络中每个滤波器的深度从左到右增加。最后通常由一个或多个全连接的层组成： Convnets背后有三个关键动机：局部感受野、共享权重和池化。 如果想保留图像中的空间信息，那么用像素矩阵表示每个图像是很方便的。然后，编码局部结构的简单方法是将相邻输入神
转载
2023-11-14 09:36:47
60阅读
AlexNet是2012年ImageNet竞赛冠军获得者Hinton和他的学生Alex Krizhevsky设计的。也是在那年之后，更多的更深的神经网络被提出，比如优秀的vgg，GoogLeNet。虽然时隔多年，但AlexNet经典依旧，本文就简单回顾一下AlexNet的网络结构。一、AlexNet网络结构由于当时硬件资源的限制，Hinton使用了两块GPU对AlexNet训练，即把输入数据均分成
转载
2024-05-12 16:01:04
81阅读
文章目录0 简介1 常用的分类网络介绍1.1 CNN1.2 VGG1.3 GoogleNet2 图像分类部分代码实现2.1 环境依赖2.2 需要导入的包2.3 参数设置(路径，图像尺寸，数据集分割比例)2.4 从preprocessedFolder读取图片并返回numpy格式(便于在神经网络中训练)2.5 数据预处理2.6 训练分类模型2.7 模型训练效果2.8 模型性能评估3 1000种图像分
转载
2024-03-27 08:13:49
149阅读
点赞
简介 图1：论文原文 上一篇博文简要介绍了文本检测领域较为经典的一篇文章，。本文将继续介绍文本识别领域较为经典的一项工作，。一般来说，在自然场景中进行文字识别主要包括以下步骤：文字检测，即找到图像中文字的大致范围，如上文CTPN的检测结果；文字识别，对定位好的文字区域进行识别，输出文字的具体内容。一般情况下，二者都是基于+的基本结构。而本文介绍的是一种能够以端到端的方式训练的模型，且可以识别任意长
转载
2024-03-27 16:33:16
33阅读
: // .com / adong7639 / p / 9145.
html
写的很好
'''
本文讲解的是在CNN中的batch normalization
'''
import torch
import torch.nn as nn
import copy
class Net(nn.Module):
def __init__(self, dim
转载
2024-03-27 10:01:48
160阅读
上一期，我们一起学习了深度学习中卷积神经网络的通俗原理，深度学习三人行(第8期)----卷积神经网络通俗原理接下来我们一起学习下关于CNN的代码实现，内存计算和池化层等相关知识，我们多多交流，共同进步。本期主要内容如下：CNN实现(TensorFlow)CNN之内存计算CNN之池化层小结公众号内回复关键字，即可下载代码，关键字见文末！一. CNN实现(TensorFlow)在TensorFlow中
转载
2024-08-08 11:08:38
144阅读
介绍CNN指的是卷积神经网络，这个介绍网上资料多的很，我就不介绍了，我这里主要是针对沐神教程的CNN代码做一个笔记。理解有不对的地方欢迎指出。卷积神经网络里面最重要也是最基本的概念就是卷积层、池化层、全连接层、卷积核、参数共享等。图： 这个图是对下面代码的一个描述，对于一张图片，首先处理成28*28(这里一张图片只有一个通道)。通过第一层卷积层，得到20个通道的输出（每个输出为24*24），所以第
转载
2024-04-08 10:30:34
79阅读
代码我放在我的github：https://github.com/JackKuo666/csdn/blob/master/text_classfier/text_classfier.ipynb引言文本分类是商业问题中常见的自然语言处理任务，目标是自动将文本文件分到一个或多个已定义好的类别中。文本分类的一些例子如下：分析社交媒体中的大众情感
鉴别垃圾邮件和非垃圾邮件
自动标注客户问询
将新闻文
初学CNN的理解整理一下本人对CNN（卷积神经网络）的浅薄理解：在CNN的输入端（input）：在CNN的输入端，其中现在的图片大部分都是RGB图片，也就是图片是有三个channel，而每个像素的值在0—255之间，难么这张图片就能转换为3个channel的张量，现在将这个张量作为输入输进input端。卷积（Convulsion）：convulsion（卷积）阶段：我的理解就是通过认为设置好的ke
转载
2024-04-16 09:49:17
123阅读
CRNN是一种卷积循环神经网络结构，用于解决基于图像的序列识别问题，特别是场景文字识别问题。 文章认为文字识别是对序列的预测方法，所以采用了对序列预测的RNN网络。通过CNN将图片的特征提取出来后采用RNN对序列进行预测，最后通过一个CTC的翻译层得到最终结果。 说白了就是CNN+RNN+CTC的结构。 CRNN 全称为 Convolutional Recurrent Neural Network
转载
2024-08-09 15:29:05
200阅读
CNN 已被广泛用在计算机视觉领域，但是近年来各种 CNN 模型复杂度越来越高，计算量越来越大，导致很多模型无法应用在移动端。本文介绍一种高效的 CNN 模型 MobileNets，MobileNets 使用 Depthwise Convolution 和 Pointwise Convolution 替代传统的卷积操作，可以大大减少参数量和计算量。1.Group ConvolutionGroup
转载
2024-03-11 10:40:18
112阅读
